機器學習輔助合金LPBF成形工藝優(yōu)化與力學性能操控

供稿人：蔡江龍、張航 供稿單位：西安交通大學機械制造系統(tǒng)工程國家重點實驗室
來源：中國機械工程學會增材制造技術（3D打?。┓謺?br />
激光粉末床熔融（laser powder bed fusion, LPBF）金屬增材制造技術已成熟應用于傳統(tǒng)加工方式無法實現(xiàn)的零件制造。但由于不同合金LPBF成形時涉及復雜的物理和化學過程以及顯微組織-性能對應關系，確定優(yōu)化的LPBF加工參數(shù)通常依賴于昂貴的試錯過程和大量的實驗。經(jīng)驗激光能量密度估算、熔池結構分析和高保真計算建模等合理的方法被應LPBF工藝優(yōu)化。但這些LPBF工藝優(yōu)化策略通常不具有普適性，并且存在工藝窗口狹窄的問題。因此制定可靠的加工參數(shù)優(yōu)化方法是LPBF技術進一步發(fā)展和特定性能材料相關設計的主要途徑。

隨著大數(shù)據(jù)時代的到來，機器學習和深度學習不斷應用于各行各業(yè)。2020年10月澳大利亞新南威爾士大學機械與制造工程學院提出了一種基于高斯過程回歸的機器學習方法來確定LPBF的最佳加工窗口。如圖1所示，使用這種方法，發(fā)現(xiàn)了一個新的和更大的LPBF工藝優(yōu)化窗口，得到了更高致密度的AlSi10Mg樣品。新確定的優(yōu)化加工參數(shù)使以前無法實現(xiàn)的高強度和延展性的組合成為可能。工藝參數(shù)直接決定材料的微觀結構（晶粒結構、亞晶粒尺寸以及晶界形貌等），細微的結構差異導致材料力學性能的顯著波動。因此該研究建立的方法可以很容易地應用于合金LPBF工藝優(yōu)化和力學性能操控。

圖1 機器學習輔助AlSi10Mg合金LPBF成形工藝優(yōu)化以及力學性能操控

LPBF技術工藝參數(shù)眾多，通過傳統(tǒng)方法優(yōu)化的工藝參數(shù)單一，無法體現(xiàn)不同工藝參數(shù)對材料微觀組織結構的影響以及和力學性能的關系。通過將機器學習將工藝-組織-性能聯(lián)系起來，充分實現(xiàn)合金的一體化制造和性能調控。機器學習成為新材料LPBF工藝開發(fā)以及同種合金不同性能操控行之有效的方法，為LPBF技術帶來更多應用前景。

參考文獻：
Q. Liu, H. Wu, M.J. Paul, P. He, Z. Peng, B. Gludovatz, J.J. Kruzic, C.H. Wang, X. Li, Machine-learning assisted laser powder bed fusion process optimization for AlSi10Mg: New microstructure description indices and fracture mechanisms, Acta Materialia 201 (2020) 316-328. https://doi.org/10.1016/j.actamat.2020.10.010