南京理工大学团队通过深度学习模型提高激光PBF打印质量

来源： Engineering

激光粉末床熔融（PBF）是最重要的增材制造（AM）方法之一，涉及以熔池为基本单元的一维（1D）到二维（2D）和三维（3D）逐步打印过程。熔池特征对L-PBF成型件的微观结构和性能有直接影响，因此对打印质量至关重要。值得注意的是，熔池特征与激光功率和扫描速度等关键工艺参数密切相关。例如，熔池尺寸不足可能会导致缺乏熔合缺陷。相反，过深的熔池则可能导致液态金属的气体/金属界面出现深层匙孔，它是大的球形孔的潜在来源，这些球形孔会在快速凝固过程中被捕获。因此，对熔池特征与工艺参数之间的关联性进行定量预测，将是对PBF打印工艺智能化管理的有力支持，并将进一步实现打印质量的精确控制。

南京理工大学韦辉亮、廖文和研究团队在中国工程院院刊《Engineering》2023年4月刊发表了题目为《基于内嵌物理信息深度学习模型的增材制造工艺参数及熔池尺寸预测》的研究性文章，融合典型实验、机理模型和深度学习探究了激光PBF过程中关键参数和熔池特性的正向和逆向预测。文章指出，实验提供基础数据，机理模型显著增强数据集，多层感知器（MLP）深度学习模型则根据实验和机理模型构建的数据集预测熔池尺寸和工艺参数。结果表明，文章可以实现熔池尺寸和工艺参数的双向预测，最高预测准确率接近99.9%，平均预测准确率超过90.0%。

△机理模型的验证结果。（a）采用不同工艺参数得到的实验与机理模型熔池宽度对比；（b）不同工艺参数下的熔池宽度（彩图基于16组实验研究案例，红色数据点为机理模型得到的熔池宽度）；（c）实验与机理模型所得熔池深度对比；（d）L-PBF打印AA2024样品的横截面。

值得注意的是，MLP模型的预测精度与数据集的多少密切相关。通过机理模型增加数据集，最高预测精度为97.3%。相比之下，当仅使用实验数据进行MLP模型训练时，最高预测精度为68.3%，最低为48.5%。因此，一个经过良好测试的机理模型可以有效地解决实验数据不足的问题。此外，MLP模型的预测精度很大程度上取决于数据集的质量。例如，发现工艺参数对熔池深度的正向预测精度低于对熔池宽度的正向预测精度。原因是熔池深度由于复杂的瞬态匙孔特征而表现出较差的数据规律性。

总之，文章为探索L-PBF中的高度非线性关联提供了一条有意义的途径。尽管预测是通过工艺参数和熔池特性来举例说明的，但是所提出的方法对于需要对具有复杂相互依赖性的变量进行正向和逆向预测的其他条件来说也是可行的。文章表明，所提出的框架可以作为AM数字孪生的关键构建模块，从而促进智能AM设备和流程的未来发展。

引用信息：Mingzhi Zhao, Huiliang Wei, Yiming Mao, Changdong Zhang, Tingting Liu, Wenhe Liao. Predictions of Additive Manufacturing Process Parameters and Molten Pool Dimensions with a Physics-Informed Deep Learning Model [J]. Engineering, 2023, 23(4): 181-195.