摘要：增材制造（AM）技术以其快速制造复杂零部件的优势，在医疗、航空航天等领域广泛应用。然而，材料种类受限、零件质量和性能不稳定等问题仍然存在。机器学习，作为人工智能的关键技术，能够识别数据中的模式和趋势，为增材制造研究提供了新工具。本研究综述了机器学习在增材制造中
导读
上海大学任忠鸣教授团队深入探讨机器学习在金属增材制造中的应用，为提升制造效率和质量开辟新路径。
增材制造（AM）技术以其快速制造复杂零部件的优势，在医疗、航空航天等领域广泛应用。然而，材料种类受限、零件质量和性能不稳定等问题仍然存在。机器学习，作为人工智能的关键技术，能够识别数据中的模式和趋势，为增材制造研究提供了新工具。本研究综述了机器学习在增材制造中的应用，包括模型参数选择、冶金缺陷与性能预测、原位监控及合金成分、工艺流程和几何结构优化，旨在为增材制造的过程控制与性能优化提供指导。
【研究亮点】
多领域应用：机器学习技术在增材制造的多个环节中发挥作用，从参数选择到性能预测，再到原位监控。
数据驱动的决策：利用机器学习对大量数据进行分析，揭示工艺参数与材料性能之间的内在联系。
智能化制造：通过机器学习技术，实现增材制造过程的智能化控制，提高制造效率和产品质量。
【文章来源】
上海大学任忠鸣教授团队等在2024年第44卷第11期《特种铸造及有色合金》期刊上发表了题为“机器学习在金属增材制造技术中的研究进展”的文章，作者增材制造广泛应用于医疗和航空航天等领域，但仍面临材料种类受限、零件质量和性能不稳定，以及工艺参数与力学性能间的复杂关系等挑战。作为人工智能的关键技术，机器学习具备识别数据中模式和趋势的优势，成为推动增材制造研究的重要工具。综述了机器学习在增材制造中的应用，包括模型参数选择、冶金缺陷与性能预测、原位监控及合金成分、工艺流程和几何结构优化，旨在为增材制造的过程控制与性能优化提供指导。
【研究方法】
研究团队通过综述机器学习在增材制造中的应用，分析了如何结合材料科学知识，精准选择相关参数以构建高效的机器学习模型。同时，详细论述了机器学习在预测增材制造构件中冶金缺陷和性能方面的应用，并进一步阐述了增材制造过程中原位监控与实时预测技术的集成与优化。
【图文解析】
1用于机器学习建模的增材制造参数选择
构建增材制造领域的机器学习模型所涉及到的输入特征参数有很多。面向不同的增材制造目标性能，结合材料科学知识与计算机方法合理选择机器学习模型的输入特征参数，是实现机器学习高可靠性的模型构建、高性能合金的优化设计和参数与性能之间复杂机制深度剖析的重要基础。
为构建高精度强有效的机器学习模型，基于材料科学知识、物理信息原理与试样图像分割等，获得对目标性能有重要影响的输入特征参数是关键的一环。
输入特征参数会直接影响机器学习模型的有效性和预测准确性，然而当增材制造中数据量相对输入特征参数的种类较少时，也会导致预测效果不佳。因此，结合相关算法与先验知识进行特征的筛选十分必要。NASER A Z等提出了一种面向FFF技术的数据驱动生命周期评估模型（DD-LCA），见图1。该模型通过分析设计和工艺参数的相关性，优化了特征选择。对原有的基于零件设计特征包括体积、质量等，与工艺特征参数如层厚、激光扫描速度等共计12个特征参数进行Pearson相关性分析后，将其降维到7个特征参数，使得极端梯度提升树（XGBoost）与多层感知机（MLP）算法表现出了良好的性能。
图1增材制造工艺流程的LCA自动化框架
2增材制造构件的冶金缺陷和性能预测
增材制造中孔洞缺陷形成的原因复杂，受到包括材料性质、工艺参数、设备状态等多方面因素的影响，而材料内部的不均匀性、凝固过程中的热应力、层间结合质量不佳等都可能导致孔洞的生成。随着机器学习技术的发展，通过深度学习对非结构化图像数据进行分析，提供了一种新的解决路径，可以精确地识别和预测这些潜在的质量问题。机器学习模型的应用不仅加速了孔洞缺陷检测的过程，而且促进了制造工艺的优化，能进一步提高增材制造合金的整体质量。
NALAJAM P K等提出一种基于CT图像的孔隙检测方法，在有限数据集下构建对WA-DED成形6061铝合金的孔隙类型识别模型，实现高致密合金的成形。其中，通过Gabor滤波器从CT图像中获取孔隙缺陷的像素、灰度值和纹理特征。3种机器学习模型：K-Means、随机森林（Random forest， RF）和支持向量机（Support vector machine， SVM）分别用于孔隙分类器的构建，对于孔径大于5 μm的孔隙进行检测，最终RF算法的平均分类准确率为98.89%。这种方法不仅识别了孔隙，还能预测孔隙形成的可能性，但却依赖于高质量的图像数据和先进的图像处理技术。GUO W G等为了实现孔隙率的精准预测，提出了一种物理驱动的深度学习模型PyroNets来研究LMD成形Ti-6Al-4V，融合真实数据与有限元模拟得到的熔池数据作为数据集，见图2。通过深度学习的分类模型来判断是否出现孔隙，再使用基于深度学习的回归模型来预估孔隙大小。
图2物理驱动深度学习模型PyroNet的架构
裂纹缺陷是增材制造中的一个关键限制难题，其形成的机制非常复杂。局部热量和应力导致的热变形、应力集中，以及材料内部缺陷或不均匀性等，都可能导致裂纹的形成，微观和宏观尺寸的裂纹缺陷在镍基高温合金和高强铝合金等体系中尤为明显。机器学习技术的发展为揭示裂纹形成机制，实现无裂纹合金的成形提供了新的途径。通过分析大量数据，机器学习可以预测裂纹的概率并优化相关参数，以降低裂纹的发生风险。
MONDAL B等使用机器学习技术建立了针对LPBF成形铝合金的裂纹敏感性指数模型，见图3。首先通过数值模拟计算了不同LPBF成形参数下的温度场，并根据有关研究提出的瞬态三维导热和流体流动模型，计算了不同成形参数和材料下的凝固应力、裂纹敏感性指数、温度梯度/凝固生长速率比以及冷却速率，经过Pearson相关性的检测，证实这些参数间没有强相关性（
图3基于物理信息的机器学习实现无裂纹打印的框架
利用机器学习算法建立特征和力学性能之间的映射关系，可以有效协助工艺参数的设计。拉伸性能是评估材料强度和塑性的重要指标之一。机器学习是基于试验数据构建模型的方式，可有效预测材料力学性能。
图4机器学习模型提升致密度并改变网状共晶Si尺寸实现多种力学性能
将组织特征作为机器学习模型的输入参数的一部分，可以使预测模型的预测效果更佳。工艺参数和热处理直接影响缺陷、组织形貌，进而影响疲劳性能。
众所周知，机器学习在材料科学中的应用瓶颈之一是数据的缺乏，进而制约机器学习模型的精度。为了解决这一问题，ZHAN Z等提出了一种基于损伤力学（CDM）的机器学习框架，用于数据驱动的LMD成形钛合金疲劳寿命预测。通过将计算出的疲劳寿命与试验数据相结合，并借助随机森林模型进行训练，改良后的CDM-RF算法构建的模型表现出更可靠的性能，其预测精度可高达87.5%。
尽管机器学习方法为增材制造过程中的缺陷检测与性能预测提供了前瞻性见解，但这些技术仍然依赖于离线数据处理。在实践中，其实用性受到实时数据获取和处理速度的限制。因此，实施原位监控与实时预测显得尤为关键，这能够在制造过程中进行即时监控和适时调整，有效地预防缺陷形成，保证产品质量的一致性和制造流程的连续性。
3增材制造过程的原位监控与实时预测
尽管增材制造的研究和应用近来呈指数级增长，但零件的制造过程存在可重复性低和可靠性差等问题，导致增材制造规模化应用受到限制。为了能持续预测和控制增材制造过程中微观结构演变，RIENSCHE A R等开发并应用了一种将基于物理的热力学模拟和机器学习结合的方法，以预测LPBF工艺制造In718合金的熔池深度和一次枝晶臂间距，见图5。
强化学习（Reinforcement learning， RL）是一种直接根据已做出行为的奖惩结果来迭代优化下一步行动的贪婪策略，其与原位监测的结合将更容易实现实时优化。
图5基于物理的热力学模拟和机器学习的微观结构演变框架
机器学习基于实时原位图像识别，可以预测孔隙缺陷的产生。图6为从熔池图像中提取物理直观的过程特征，如熔宽、温度分布和飞溅特征。随后，对相对简单的逻辑回归、KNN和SVM等几种机器学习模型进行了训练，以预测孔隙的严重程度和类型，结果发现KNN的保真度（F1分数）超过95%。此外，还通过卷积神经网络（Convolutional neural network， CNN）算法直接使用熔池图像进行相同的预测，CNN的F1分数为89%～97%。因此，使用特征数据进行预测的监督学习算法，在计算量和计算延迟方面都更优，适用于LPBF成形过程的实时预测。尽管原位监控技术为实时捕获过程数据并促进制造过程的连续性和产品的一致性提供了强大工具，但实际操作中仍面临一些挑战。特别是在处理和分析实时数据时，系统的响应速度和数据处理能力尤为关键，尽管目前的监控系统能够提供大量的过程数据，但数据的实时分析和应用于过程调控的速度和精确度仍需进一步提高。
图6LPBF过程中孔隙率的监控和预测
4增材制造的优化
机器学习在增材制造领域的研究中起到了重要的辅助作用，并在大部分情境下的使用方案已经被完善。但在试验数据处理上存在的高维度、小样本量、数据噪声、缺失值和分布不均等问题依然挑战着现有模型的预测精度和泛化能力。此外，庞大的新成分或新工艺的探索空间所需的计算成本和时间不仅显著增加，而且可能导致过度搜索和无效试验的资源浪费。
4.1合金成分优化设计
可适用材料有限一直是增材制造只能应用于某些特定零件结构生产的制约因素之一，机器学习方法的协助则是高效、经济地设计可适用于增材制造的新型材料的有效策略。机器学习与基础知识协同使用，并反馈到新的训练模型中，最终以更高效和更具成本效益的方式，设计了兼顾强度和塑性的可用于增材制造的钛合金材料。
图7数据驱动的钛合金设计的逻辑框架
4.2工艺优化设计
工艺设计和应用过程中，由于候选工艺参数空间巨大，最先明确的往往是合金的性能需求，需要面向性能需求进行工艺设计。工艺设计是材料目标性能为输入，预测对应的成分、工艺与组织等特征。工艺设计更为注重寻优策略和方法，高效地设计出满足工程需求的材料。
MOJUMDER S等设计了一种基于热流模拟的主动学习算法优化LPBF成形的Ti-6Al-4V合金的孔隙率的模型，见图8。通过热流模拟建立数据库并比对前人的研究验证模拟的准确性，考虑激光功率、扫描速度、扫描间距与层厚等工艺参数，采用拉丁超立方采样（LHS）并基于GPR算法构建主动学习迭代模型实现孔隙率的精确优化。
图8基于物理的热流体建模方法预测LOF孔隙率结合主动学习优化工艺参数
4.3几何结构优化设计
增材制造技术的特点使其在生产定制化复杂结构零部件时具有显著优势。然而，复杂的几何结构增加了优化的难度，需要在给定的工程结构与边界条件下减小体积、减轻质量、提高强度等。机器学习辅助的几何结构优化被认为是一种可行策略。系统能够基于机器学习算法来自动学习和理解复杂结构的特征与性能，从而提供优化建议或生成最佳设计方案。
LEW A J等提出了一种使用变分自动编码器（Variational autoencoder， VAE）和ML技术对悬臂设计的柔顺性优化的方法。该工作利用VAE将悬臂结构编码为二维潜在空间，并采用长短期记忆（Long short-term memory， LSTM）神经网络学习与拓扑优化过程相对应的潜在空间，见图9。
图9从潜在空间中的运动生成的图像堆叠所产生的三维模型的增材制造结果
【主要结论】
机器学习作为一种基于试验数据的智能化技术，在增材制造的预测和优化设计中发挥着关键作用。研究者利用积累的海量数据，在合金成分、工艺参数、冶金缺陷、性能评估及过程监控等方面应用机器学习技术，显著提高了增材制造的智能化水平，有效降低研发成本并缩短周期。此外，机器学习与声、光、热等多种类型传感器的结合，可实现实时分析打印过程中采集的数据，预测熔池尺寸、温度、凝固速率及潜在缺陷，从而优化制造流程。机器学习还可以结合物理信息来深入分析合金性能，提供更准确的性能监控依据。
尽管在数据分析和模型构建方面取得了显著成效，这些技术的实用性仍会受到数据质量、计算资源和算法效率的限制。特别是在实时监控和原位检测当中，目前对实时数据的获取、处理速度和分析精度的需求尚未得到充分满足，这限制了其在工业生产中快速精确决策的能力。
未来随着计算技术的进步和机器学习方法的持续完善，这些技术预计将在增材制造中扮演更核心的角色，特别是在优化复杂的几何结构和确保材料性能稳定性方面。机器学习将能够解决当前的技术挑战，推动增材制造向更高效、更智能的发展方向进步。总之，机器学习为增材制造领域的挑战提供了创新的解决方案，为技术未来的发展奠定了坚实的基础。
【本文引用格式】
中文：操宇恒，陈超越，郭铠，等. 机器学习在金属增材制造技术中的研究进展［J］. 特种铸造及有色合金，2024，44（11）：1 454-1 465.
英文：CAO Y H，CHEN C Y，GUO K，et al. Progress in application of machine learning in additive manufacturing technology［J］. Special Casting & Nonferrous Alloys，2024，44（11）：1 454-1 465.
来源：特铸杂志
