摘要：美国弗吉尼亚理工大学的科研人员报道了一种以数据为中心的方法，用于量化激光粉末床熔融工艺参数与IN718部件建成态表面粗糙度之间的正向及逆向关系研究。相关论文以“A Data-Centric Approach to Quantifying the Forward
长三角G60激光联盟导读
美国弗吉尼亚理工大学的科研人员报道了一种以数据为中心的方法，用于量化激光粉末床熔融工艺参数与IN718部件建成态表面粗糙度之间的正向及逆向关系研究。相关论文以“A Data-Centric Approach to Quantifying the Forward and Inverse Relationship Between Laser Powder Bed Fusion Process Parameters and as-Built Surface Roughness of IN718 Parts”为题发表在《Advanced Intelligent Systems》上。
激光粉末床熔融（PBF-LB）是一种用于生产复杂几何形状部件的增材制造（AM）技术。然而，后处理粗糙建成态表面的高成本推动了对制造过程中表面粗糙度控制的需求。先前的研究评估了工艺参数与建成态表面粗糙度之间的关系，但它们依赖于基于试错法、回归和仅使用忽略空间表面特征的区域表面粗糙度参数的数据驱动方法所建立的正向模型。相比之下，本研究首次引入了一种逆向的、以数据为中心的框架，该框架利用机器学习算法和Inconel 718建成态表面的实验数据集，来预测实现所需建成态粗糙度所需的PBF-LB工艺参数。该逆向模型的预测准确率约为80%，而其对应的正向模型的预测准确率为90%。此外，该模型结合了确定性表面粗糙度参数，这些参数同时捕捉了高度和空间信息，与仅使用区域参数相比，显著提高了预测精度。该逆向模型为工艺工程师提供了一种数字工具，能够通过调整工艺参数来控制表面粗糙度。因此，它为将表面粗糙度控制集成到增材制造的数字化主线中奠定了基础，从而减少后处理需求并提高工艺效率。
图1a)试样的几何形状和尺寸。b)代表性试样的照片，以及c)说明内部填充和轮廓激光扫描路径的剖视图。d)显示试样在基板上相对于工艺方向位置的示意图。
图2a)指示在状试样上测量建成态表面粗糙度位置（每个方块中心）的示意图。b)试样02（α=70°）和试样03（α=5°）的表面粗糙度图，识别了建成态PBF-LB表面的特征形貌。
图3开发和验证将PBF-LB工艺参数（输入）与建成态表面粗糙度参数（输出）联系起来的数据为中心的正向模型的方法流程图。
图4开发和验证将建成态表面粗糙度参数（输入）与PBF-LB工艺参数（输出）联系起来的逆向数据为中心模型的方法流程图，该过程分为两步；步骤1将单个Sa和α值关联到一组十个表面粗糙度参数。步骤2将这十个表面粗糙度参数关联到PBF-LB工艺参数。
图5a)建成态表面粗糙度参数与PBF-LB工艺参数之间的皮尔逊线性相关系数，以及确定性粗糙度参数随b)轮廓1激光功率和c)轮廓2激光扫描速度的变化，以说明表面粗糙度与工艺参数之间模糊的相关性。
图6使用验证数据集对具有最高预测精度的 a)区域、b)确定性和 c)混合表面粗糙度参数的正向数据为中心模型进行实验验证。排列特征重要性识别了每个输入参数在预测输出参数时的相对影响。
图7确定性粗糙度参数σs/Rs 随构建取向α和轮廓激光功率P1的变化关系。插图中的图像显示了使用双轮廓（试样4、8和12）和单轮廓（试样2）激光扫描制造的选定建成态表面的实验表面粗糙度图。所有插图均按照与插图1相同的色标进行缩放。
图8逆向数据为中心模型的实验验证，显示了所有PBF-LB工艺参数的预测精度：a)P1, b)v1, c)P2, 和d)v2，使用了验证数据。
图9典型示例的逆向数据为中心模型的实验验证，显示了所有PBF-LB工艺参数的分布：a) P1, b)v1, c)P2, 和 d)v2，输入条件为 Sa=20.07 μm 和α=15°。
图10逆向模型的平均百分比误差随构建取向α和平均表面粗糙度Sa的变化关系。插图中的图像显示了代表高和低平均百分比误差典型示例的选定建成态表面的实验表面粗糙度图。
图11本工作中使用的IN718的PBF-LB工艺参数范围（橙色圆圈）与文献中记录的参数范围（绿色三角形）的比较，包括 a)激光功率，b)激光扫描速度，和c)构建取向。
本文提出了一种以数据为中心的建模框架，用于定量建立覆盖整个工艺窗口的PBF-LB工艺参数与IN718试样建成态表面粗糙度参数之间的关系。该框架支持工艺参数的正向预测和逆向设计，为优化PBF-LB中的表面粗糙度提供了新的能力，而无需大量的后处理。
开发并实现了一个正向数据为中心模型，该模型将PBF-LB工艺参数映射到一套全面的区域性和确定性建成态表面粗糙度参数。基于确定性粗糙度参数 σs/Rs 的模型，该参数捕捉了建成态表面粗糙度的空间和高度信息，产生了最高的预测精度（≈90%）。这突显了除了高度信息之外，整合空间信息对于有效模拟逐层制造固有的复杂建成态表面特征的重要性。
正向数据为中心模型能够定量映射PBF-LB工艺参数对建成态表面粗糙度的影响，为耗时的实验试错法提供了一种快速且可扩展的替代方案。通过这样做，该模型不仅支持针对所需表面粗糙度的工艺调整，还为理解PBF-LB中潜在的工艺-表面关系提供了物理信息洞察。这种能力对于旨在实现实时工艺优化和原位控制的智能PBF-LB系统至关重要。
首次引入了一种逆向数据为中心模型，该模型从所需的平均粗糙度和构建取向推断出PBF-LB工艺参数的分布。这个两步模型首先重建一套完整的表面粗糙度参数，然后将它们映射到工艺参数。尽管计算成本较高，但该逆向模型实现了约80%的预测精度，使得能够在不进行后处理的情况下选择满足表面粗糙度规格的工艺参数。这种能力对于自适应增材制造工作流程和闭环控制系统至关重要，在这些系统中，从期望结果反向映射到工艺输入是必不可少的。
正向和逆向数据为中心模型共同构成了一个互补的框架，支持PBF-LB中的智能决策。扩展实验数据集、整合过程信息管理系统以及开发集成或多输出架构，可以进一步提高模型的效率以及跨合金、几何形状和机器平台的通用性。
本工作的正向和逆向模型的在线工具可在 https://amsurfaces.cs.vt.edu/ 获取，供读者探索。
论文链接：
长三角G60激光联盟陈长军转载
热忱欢迎参加我们在2026年4月15-17日在苏州举办的第八届涡轮技术大会暨民用航空发动机和燃气轮机展以及激光在民用航空发动机和燃气轮机中的应用大会（4月16日）
来源：江苏激光联盟