编辑推荐：
在激光粉末床熔融（LPBF）制造 Ti-6Al-4V 合金时，强度与延展性存在权衡难题。研究人员开展了基于帕累托主动学习框架优化工艺参数的研究，确定了最优参数，制得高性能合金。这加速了高性能合金研发，意义重大。
在当今科技飞速发展的时代，增材制造技术凭借其独特优势，成为材料加工领域的一颗璀璨新星。其中，激光粉末床熔融（LPBF）技术更是备受瞩目，它能够通过计算机辅助设计（CAD）模型，精准控制高能激光束逐层熔化金属粉末，制造出复杂的近净形零部件。Ti-6Al-4V 合金作为一种性能卓越的材料，具备优异的机械强度、抗蠕变性、耐腐蚀性以及生物相容性，在航空航天、生物医学等众多领域都有着广阔的应用前景。
然而，LPBF 制造的 Ti-6Al-4V 合金却面临着一个棘手的问题：强度和延展性之间存在着难以调和的权衡关系。通常情况下，刚制造出来的 Ti-6Al-4V 合金样品含有针状的 α‘马氏体，这种结构虽然赋予了合金较高的强度（约 1100MPa），但其延展性却较低（约 8%）。为了提高合金的延展性，往往需要进行后处理，将 α‘相转变为更具延展性的 α+β 双相微观结构，可这又会导致合金的极限抗拉强度（UTS）下降。传统的试错法在优化工艺和热处理参数时效率极低，难以满足实际应用对合金性能的严苛要求。因此，如何打破这种强度与延展性的权衡困境，找到能够同时提高 Ti-6Al-4V 合金强度和延展性的工艺参数，成为了材料领域亟待解决的关键问题。
在这样的背景下，来自韩国浦项科技大学（Pohang University of Science and Technology）、韩国科学技术院（Korea Advanced Institute of Science and Technology）等机构的研究人员，开展了一项极具创新性的研究。他们致力于通过一种全新的方法 —— 帕累托主动学习框架，来优化 LPBF 制造 Ti-6Al-4V 合金的工艺参数。经过一系列深入研究，他们成功确定了能够显著提高合金强度和延展性的最优参数组合。利用这些参数制造出的 Ti-6Al-4V 合金，在强度和延展性方面都展现出了卓越的性能，相比以往研究中的合金有了质的飞跃。该研究成果发表在《Nature Communications》上，为高性能合金的研发开辟了新的道路，具有重要的科学意义和实际应用价值。
研究人员在开展此项研究时，运用了多种关键技术方法。首先是数据预处理和主动学习方法，他们借助 Python 的 scikit-learn 包中的 Standard Scaler 对数据进行标准化处理，并使用 Python 和 PyTorch 构建了帕累托主动学习框架，其中采用高斯过程回归（GPR）作为代理模型，期望超体积改进（EHVI）作为采集函数。其次，通过 LPBF 机器（Concept Laser M2）制造 Ti-6Al-4V 合金试样，利用电子显微镜表征技术（如 EBSD、SEM-EDS）对试样微观结构进行分析，采用 XRD 测量物相组成。此外，还进行了拉伸试验，使用电子万能试验机（Instron 1361）和数字图像相关方法（ARAMIS 12 M）测量应变，获取合金的力学性能数据 。
初始数据集
研究人员构建了初始数据集，涵盖 LPBF 工艺参数（激光功率、扫描速度、体积能量密度等）和后热处理（HT）条件（时间、温度等）。从以往研究中提取了 119 种参数组合及对应的 Ti-6Al-4V 合金 UTS 和总伸长率（TE）数据，并构建了 296 种未探索组合的数据集。通过对这些数据进行分析，初步了解各参数与力学性能之间的关系，为后续研究奠定基础。
成对图分析相关性
在实施帕累托主动学习框架前，研究人员利用初始数据集生成成对图。通过分析发现，激光功率、HT 温度和 HT 时间与 UTS 呈负相关，与 TE 呈正相关；而扫描速度和 VED 对 UTS 和 TE 的影响无明显一致趋势。但仅依据这些相关性，无法设计出能同时提高 UTS 和 TE 的参数组合，这表明需要综合考虑参数间的协同效应，因此引入主动学习框架。
帕累托主动学习框架
该框架的核心步骤包括：用标记的训练数据集训练 GPR 代理模型，学习工艺参数、HT 条件与力学性能的关系；利用训练好的 GPR 对未验证的参数组合进行 UTS 和 TE 预测，并得到预测不确定性；使用 EHVI 计算未标记组合的 EHVI 值；选择 EHVI 值最高的两个未标记组合制造试样并测试其 UTS 和 TE；将新实验数据加入标记训练数据集，重复上述过程，直至满足停止条件（即所选组合无法扩展帕累托前沿）。经对比测试，EHVI 在识别可扩展帕累托前沿的数据方面表现最优，因此被用于本研究。
主动学习迭代
研究从 119 种参数组合的初始数据集训练 GPR 开始，在每次迭代中选择两个新组合制造试样并测试。结果显示，前四次迭代均成功扩展了帕累托前沿，显著提高了合金的 UTS 和 TE。例如，第一次迭代使合金在 UTS 约 1060MPa 时，TE 提高了 4.3%；在 TE 约 18% 时，UTS 提高了 116MPa。到第五次迭代，所选组合无法再扩展帕累托前沿，表明已探索完能扩展当前前沿的组合，停止迭代。最终确定的组合制造出的合金展现出优异性能，如（1190MPa，16.5%）的组合因平衡的高强度和高延展性被认定为最优。
组合选择的解释
帕累托主动学习框架在每次迭代中选择的组合有效扩展了帕累托前沿。GPR 代理模型预测的组合可分为高不确定性和低不确定性两组。高不确定性组合虽预测性能值可能不理想，但 EHVI 综合考虑探索与利用，因其不确定性高，从探索角度使 EHVI 值增加而被选择；低不确定性组合预测的 UTS 和 TE 值通常位于或超出帕累托前沿，从利用角度具有高 EHVI 值，且有一定预测不确定性，进一步提高了 EHVI 值，从而也被选择。这种选择方式克服了 UTS 和 TE 之间的权衡关系。
微观结构分析
为验证合金高强度和高延展性的来源，研究人员对所选组合制造的合金进行微观结构分析。通过 EBSD 观察发现，所有样品均呈现完全针状微观结构，但 α 板条厚度不同。较薄的 α 板条增加了界面数量，有助于提高 UTS，如 2-1 样品 α 板条最薄，UTS 最高；而较厚 α 板条的 1-1 样品 UTS 较低。同时，先 β 相宽度与 α 板条厚度相关，较小的先 β 相宽度对应较高的 UTS。此外，（0001）方向的极图（PF）强度影响强度各向异性，但作用小于 α 板条厚度和先 β 相宽度。在延展性方面，通过评估 α 钛合金中具有最低临界分切应力（CRSS）的基面滑移（{0001}<1120_{\alpha}>）的施密特因子（SF）发现，1-1 样品的 SF 值更高，其较高的 VED 导致冷却较慢，促进了向 α+β 双相微观结构的转变，更易激活滑移系统，因此延展性更好。综合来看，研究中制造的样品兼具高 UTS 合金和高 TE 合金的微观结构特征，验证了强度和延展性之间的平衡。
研究通过帕累托主动学习框架成功优化了 LPBF 制造 Ti-6Al-4V 合金的工艺参数，克服了强度与延展性之间的权衡关系，制造出高性能合金。该框架在选择过程中考虑了预测不确定性，能有效探索广阔的参数空间。微观结构分析进一步验证了合金性能与微观结构之间的关系。这一研究成果不仅为 Ti-6Al-4V 合金的性能优化提供了新方法，也为未来数据驱动的材料研究提供了重要参考，有望加速高性能合金的开发进程。此外，研究人员还指出，未来将数据驱动和基于物理的方法相结合，有望在数据受限的情况下，进一步提高合金性能预测的准确性，为新材料的研发带来更多突破。
