摘要：波兰奥波莱理工大学、捷克共和国俄斯特拉发理工大学、波兰弗罗茨瓦夫理工大学、土耳其卡拉比克大学等科研院所的科研人员综述报道了人工智能AI赋能增材制造：现状与未来趋势。相关论文以“Transforming Additive Manufacturing with A

长三角G60激光联盟导读

波兰奥波莱理工大学、捷克共和国俄斯特拉发理工大学、波兰弗罗茨瓦夫理工大学、土耳其卡拉比克大学等科研院所的科研人员综述报道了人工智能AI赋能增材制造：现状与未来趋势。相关论文以“Transforming Additive Manufacturing with Artificial Intelligence: A Review of Current and Future Trends”为题发表的《Archives of Computational Methods in Engineering》上。

增材制造（AM）作为一种动态成型技术，为复杂结构产品的创造提供了全新可能。随着3D打印技术不断发展，人工智能（AI）的引入正在重塑其技术范式。本文系统阐述了AI在粉末床熔融（PBF）、粘结剂喷射（BJT）、定向能量沉积（DED）和熔融沉积成型（FDM）等AM技术中的革新作用，揭示其如何推动AM从原型制造向终端产品标准化生产的转型。研究聚焦AI在设计优化、工艺参数调控、质量控制、材料处理及循环利用等环节的应用，指出"数据采集+机器学习算法"构成AM与AI融合的基础架构，同时探讨当前技术挑战与未来研究方向。

图1按材料类型划分的AM技术分类

图2增材制造工艺体系图谱

图3BJT工艺流程图解：a)基底层制备 b)液态粘结剂沉积 c)粉末铺展 d)零件固化 e)脱粉 f)孔隙渗透 g)烧结 h)颗粒熔合

图4激光粉末床熔融（LPBF）原理示意图

图5LPBF关键工艺参数体系

图6DED技术：a)优势b)微观组织/热循环/缺陷/小孔效应等挑战 c)粉末-激光-熔池相互作用机制

图7半固态浆料制备(i)、丝材加工与重熔(ii)、挤出工艺类型(iii：丝基/柱塞基/螺杆基)

图8PEEK材料FDM打印系统

图9喷墨打印技术原理

图10机器学习模型构建流程

图11机器学习方法及其实现AI目标的路径

图12基于单目视觉的AM质量监测系统

图13热像仪温度场(a)与高温计熔池深度(b)的协同监测

图14AI驱动的制造设计优化维度

图15点阵结构优化：A)初始vs优化设计对比 B)导数感知神经网络C)多尺度优化流程

图16各AM技术工艺参数对比

图17纤维回收数据采集(A)与机器学习表征(B)

图18AI在循环利用中的应用场景

增材制造通过独特的生产灵活性和复杂性设计能力正在变革制造业，而AI的融合进一步带来突破性发展：

1.技术赋能

AI显著提升LPBF/BJT/DED/FDM等传统AM技术的可预测性，实现实时监测、缺陷识别和工艺优化

支持向量机（SVM）、随机森林（RF）等算法加速新材料开发与复合材料配方优化，推动AM构件回收再生

2.工艺突破

机器学习精准调控激光功率、扫描速度、层厚等LPBF/DED核心参数，将试错成本降低60%以上

基于大数据分析的智能算法可预测复杂制造过程结果，使首次打印成功率提升至90%+

3.产业变革

AI与AM协同推动航空、汽车、医疗等领域的定制化生产，如：

航空发动机拓扑优化部件（减重30%+）

患者特异性骨科植入物（设计周期缩短80%）

能源效率优化与循环经济实践使AM碳排放减少25%

现存挑战

设备成本高与工艺复杂性制约普及

材料性能波动与质量标准缺失

跨学科复合型人才缺口

未来方向

开发AM专用数字孪生平台，实现全生命周期智能管控

构建材料-工艺-性能关联数据库，突破经验驱动局限

推广绿色AM模式，通过AI优化能源使用与废料回收

论文链接：

Pancholi, S., Gupta, M.K., Bartoszuk, M. et al. Transforming Additive Manufacturing with Artificial Intelligence: A Review of Current and Future Trends. Arch Computat Methods Eng (2025). https://doi.org/10.1007/s11831-025-10283-y

长三角G60激光联盟陈长军转载

热忱欢迎参加我们在2025年5-27-29日举办的两机展和激光在两机（飞机发动机和燃气轮机）及低空经济中的应用大会

来源：江苏激光联盟