顶刊：基于主动学习框架的增材制造TC4工艺参数优化！

摘要：优化激光粉末床熔合技术制备 Ti-6Al-4V 合金的工艺及热处理参数，对于生产出兼具高强度和高延展性的 Ti-6Al-4V 合金至关重要，这是满足其在各种应用中性能需求的关键。然而，由于强度和延展性之间存在着固有的权衡关系，传统的试错法效率低下。在此，我们提

长三角G60激光联盟导读

优化激光粉末床熔合技术制备 Ti-6Al-4V 合金的工艺及热处理参数，对于生产出兼具高强度和高延展性的 Ti-6Al-4V 合金至关重要，这是满足其在各种应用中性能需求的关键。然而，由于强度和延展性之间存在着固有的权衡关系，传统的试错法效率低下。在此，我们提出了一种帕累托主动学习框架，并结合针对性的实验验证，以高效探索由 296 个候选参数构成的庞大参数空间，精准确定能够同时提高强度和延展性的最优参数。与先前研究中的 Ti-6Al-4V 合金相比，使用这些精准确定的参数所制备的所有 Ti-6Al-4V 合金，在相似强度水平下展现出更高的延展性，在相似延展性水平下展现出更高的强度。通过在不显著牺牲一种性能的前提下提升另一种性能，该框架证明了其在克服固有权衡关系方面的有效性。最终，成功制备出了极限抗拉强度达到 1190 兆帕、总延伸率达到 16.5% 的 Ti-6Al-4V 合金。所提出的这一框架简化了最优加工参数的发现过程，有望加速高性能合金的开发进程。

主要作者：Jeong Ah Lee，Seungchul Lee*，Hyoung Seop Kim*

第一单位：浦项科技大学（韩国）

发表期刊：nature communications

原文链接：https://doi.org/10.1038/s41467-025-56267-1

研究背景

今天为您带来增材制造 Ti-6Al-4V 合金领域的最新消息。Ti-6Al-4V 合金凭借其高强度、出色的耐腐蚀性以及良好的生物相容性，在航空航天、医疗等众多关键领域有着广泛应用。然而，当前通过激光粉末床熔融，也就是 LPBF 技术制造的 Ti-6Al-4V 合金，却面临着棘手的难题。

该技术制造出的合金，通常呈现出高强度的针状 α' 马氏体结构，可延展性却比较低，大概只有 8%。而后热处理，即 HT 手段，虽能在一定程度上提升合金的延展性，可代价却是牺牲强度。一直以来，依靠传统试错法去解决这一强度与延展性之间的矛盾，效率极为低下。

不仅如此，在 LPBF 制造过程中，工艺参数的优化也极为复杂。像激光功率、扫描速度、体积能量密度，也就是 VED 等参数，都会对合金的微观结构，例如马氏体形态、β 晶粒尺寸产生显著影响。另外，热处理的温度和时间，同样会改变合金的相组成与晶粒尺寸。若采用传统实验方法，需要探索多达 296 种参数组合，这无疑是一项耗时又耗力的艰巨任务。

不过，好消息是，数据驱动方法为这一困境带来了新的希望。机器学习，也就是 ML 技术，在材料科学领域已经展现出高效的预测能力。与传统依赖大量标注数据的 ML 不同，主动学习，Active Learning 技术通过迭代预测与实验验证的方式，能够大幅减少实验次数，精准定位到最优的参数组合。这一技术的出现，有望为增材制造 Ti-6Al-4V 合金的发展开辟新的道路。

Fig.1 Schematic of the overall ﬂow

研究方法

科研人员设计出 Pareto 主动学习框架，旨在突破传统单目标优化的局限，同时对极限抗拉强度，也就是 UTS，以及总延伸率，即 TE，进行优化。

该框架的具体流程是这样的：首先是数据准备阶段，科研人员依据 119 组历史实验数据，这些数据涵盖了激光粉末床熔融 LPBF 参数以及后热处理 HT 条件，以此构建起初始标注集。与此同时，还设置了 296 组尚未探索的参数组合，作为候选集。

在代理模型选择方面，采用了高斯过程回归器，也就是 GPR，以此建立起工艺参数与力学性能之间的映射关系，进而预测那些未标注数据的 UTS 和 TE 值，以及相关的不确定性。

采集函数优化环节同样关键，研究人员使用期望超体积改进，简称 EHVI，作为采集函数。这样一来，就能优先挑选出那些可以最大化 Pareto 前沿超体积的参数组合，在探索高不确定性区域与开发高预测性能区域之间实现平衡。

迭代实验验证是整个框架的重要实践步骤。每一轮迭代都会挑选 2 组参数用于实验，实验完成后更新标注集，并重新训练模型。如此反复，直至 Pareto 前沿无法进一步扩展，整个过程共进行 5 轮迭代，开展 10 组实验。

在实验与表征方法上，研究人员使用 Concept Laser M2 设备打印 Ti - 6Al - 4V 试样。打印所涉及的参数范围较广，激光功率在 100 至 350W 之间，扫描速度处于 500 至 2000mm/s，热处理温度从 25°C 到 1050°C 不等，时间则是 0 至 2 小时。力学测试通过拉伸试验来测量 UTS 和 TE，并且每组参数都会重复 3 次，以此验证稳定性。微观结构分析采用电子背散射衍射，即 EBSD，以及 X 射线衍射，也就是 XRD，来表征 α 相形态、β 晶粒尺寸、织构强度以及滑移系激活概率。这一系列研究为增材制造 Ti - 6Al - 4V 合金开辟了新路径，我们也将持续追踪后续成果，为您及时报道。

Fig. 2: Pairwise plot and distribution demonstrating correlations between five input parameters and two mechanical properties.

研究结果

科研人员设计出 Pareto 主动学习框架，旨在突破传统单目标优化的局限，同时对极限抗拉强度，也就是 UTS，以及总延伸率，即 TE，进行优化。

Fig.3 Overview of the Pareto active learning framework proposed in this study

在 α 相形态与 β 晶粒控制上，研究显示，当体积能量密度 VED 较低，也就是小于 50 J/mm³，并且扫描速度较高，超过 1500 mm/s 时，会促使细小的 α 板条形成，这些 α 板条厚度在 0.71 至 0.97μm 之间。大量细小 α 板条的出现，增加了晶界密度，进而有效提升了合金的强度。同时，中温热处理，在 595°C 这个温度下进行处理，能够很好地保留合金的细晶结构，避免 β 晶粒出现粗化现象。

织构与滑移系激活方面，当 VED 较高，大于 90 J/mm³ 时，(0001)α 织构强度会降低，这一变化促进了多滑移系的激活。具体来说，Schmid 因子大于 0.4 的区域占比能够达到 54.8%，从而显著提升了合金的延展性。

相组成优化同样有重要突破。595°C 的热处理能够促使 α' 马氏体部分分解为 α + β 双相结构，通过这种微观结构的调整，成功实现了合金强度与塑性之间的平衡。这些关于微观结构机制的研究成果，为进一步提升 Ti - 6Al - 4V 合金性能提供了坚实的理论基础，也为增材制造技术的优化升级指明了方向。

Fig.4 Results of active learning iterations

结论

1. 框架有效性验证

科研人员借助 Pareto 主动学习框架，仅通过 5 轮迭代，也就是区区 10 组实验，就成功定位到了最优参数组合。这一成果简直令人惊叹，要知道，相比传统的试错法，其效率提升了大约 30 倍之多！

其中，EHVI 函数发挥了关键作用。它巧妙地在探索高不确定性区域与开发高预测性能区域之间寻找到了平衡，成功克服了长期以来困扰行业的强度 - 延展性权衡难题。

经过实验验证，利用该框架优化后的 Ti - 6Al - 4V 合金，其微观结构呈现出令人惊喜的特征。不仅具备高强度，体现为细晶结构以及较高的织构，同时还拥有高延展性，这得益于多滑移系的激活。这一突破性进展，为 Ti - 6Al - 4V 合金在航空航天、医疗等众多领域的更广泛应用，奠定了坚实基础。

Fig.5 Predicted UTS and TE values, and probability density function of selected combinations

2. 应用前景与扩展

在增材制造 Ti - 6Al - 4V 合金领域取得重大突破的 Pareto 主动学习框架，其应用前景可谓一片光明！据科研人员介绍，这一先进方法不仅在 Ti - 6Al - 4V 合金研究中成效显著，还具备强大的推广性，能够拓展至其他多种合金体系。像镍基高温合金、铝合金等，都有望借助这一框架实现性能优化与提升。

尤为值得关注的是，该框架还支持多目标优化，除了强度和延展性，诸如疲劳寿命、耐腐蚀性等重要性能指标，都能通过这一框架进行同步优化。不仅如此，若将该方法与物理仿真手段，比如相场模拟、热力学计算相结合，预测精度还能得到进一步提升。这在数据稀缺的新材料开发过程中，优势尤为突出，潜力巨大。可以预见，Pareto 主动学习框架将在材料科学领域掀起新的变革浪潮。

Fig.6 Microstructure analyses for strength evolution in 1-1, 2-1, 3-1, and 3-2 samples

深度洞察

首先是它的创新性与优势。在方法创新方面，这可是首次把 Pareto 主动学习运用到增材制造参数优化中。它通过 EHVI 函数，能够特别高效地找到多目标的最优解，这就为复杂材料体系的开发提供了全新的模式。大家想想，这是之前没有过的新思路，很关键。在工程价值上，它的表现也十分突出。只需要 10 组关键实验，就能显著降低实验成本，同时大大加快高性能合金的研发周期，这种优势在工业化生产场景里非常适用，意味着能节省大量的时间和资源。

再来看行业影响。这个框架给增材制造工艺的智能化调控提供了切实可行的方案。在航空航天、医疗器械等领域，对于高性能定制化部件的生产，它有着很大的推动作用。因为它能够助力实现 “材料 - 工艺 - 性能” 一体化设计，把这三个关键环节紧密联系起来，从整体上提升产品质量和性能。这对于相关行业的发展意义重大。

Fig.7 Microstructure analysis for ductility evolution in 1-1, 2-1, 3-1, and 3-2 samples

文献来源：Lee, J.A., Park, J., Sagong, M.J. et al. Active learning framework to optimize process parameters for additive-manufactured Ti-6Al-4V with high strength and ductility. Nat Commun16, 931 (2025). https://doi.org/10.1038/s41467-025-56267-1