激光粉末床熔融AlSi10Mg力学性能的数据驱动建模：工艺参数选择的预测方法

本文针对激光粉末床熔融（LPBF）制备AlSi10Mg合金过程中工艺参数优化难题，开展了数据驱动的力学性能预测研究。研究人员对比了序列学习模型（RNN、LSTM、BiLSTM）与符号回归、随机森林等方法，发现BiLSTM模型在预测维氏硬度、极限抗拉强度等关键力学性能时表现最优，最大相对误差低于7.83%。该研究为快速筛选LPBF工艺参数、实现材料性能定制化提供了高效工具，显著缩短了研发周期。

　　

在当今制造业快速发展的浪潮中，添加剂制造（Additive Manufacturing）技术以其独特的逐层加工方式，为复杂结构零件的快速成型提供了革命性解决方案。其中，激光粉末床熔融（Laser Powder Bed Fusion, LPBF）作为金属添加剂制造的核心技术，在航空航天、汽车制造等领域展现出巨大应用潜力。AlSi₁₀Mg合金因其优异的强度重量比、良好的热性能和耐磨性，成为LPBF技术中广泛应用的材料之一。然而，LPBF过程涉及激光功率、扫描速度、层厚度、 hatch间距等多个工艺参数的复杂交互作用，这些参数显著影响最终零件的微观结构和力学性能。传统上，通过实验试错法优化这些参数既耗时又成本高昂，往往需要数天甚至数周时间。随着制造业对效率和质量要求的不断提高，开发快速、准确的性能预测方法成为亟待解决的关键问题。

在此背景下，数据驱动建模技术为LPBF工艺优化提供了新思路。机器学习方法能够从历史数据中学习工艺参数与材料性能之间的复杂关系，从而实现对力学性能的快速预测。然而，不同的机器学习方法在准确性、解释性和适用性方面存在显著差异。序列学习模型如循环神经网络（RNN）及其变体长短期记忆网络（LSTM）和双向长短期记忆网络（BiLSTM）擅长处理具有时序依赖性的数据，而符号回归（Symbolic Regression）方法则能提供可解释的数学表达式。随机森林（Random Forest）等传统机器学习方法也在材料性能预测中广泛应用。因此，系统比较这些方法的性能，寻找最适合LPBF工艺参数优化的建模方法，具有重要的理论价值和实践意义。

本研究旨在通过对比多种机器学习方法，建立高效的LPBF制备AlSi₁₀Mg合金力学性能预测模型。研究人员收集了已发表的LPBF工艺参数和相应力学性能数据集，包含60组工艺参数组合下的180个样本数据。激光功率范围60-460W，扫描速度250-3000mm/s，hatch间距分别为100μm和150μm，层厚度固定为60μm。研究采用了五种不同的建模方法：RNN、LSTM、BiLSTM三种序列学习模型，以及符号回归和随机森林两种传统机器学习方法。

在技术方法方面，研究主要采用了以下关键方法：序列学习模型（包括RNN、LSTM、BiLSTM）用于捕捉工艺参数的时序依赖性；符号回归通过遗传编程算法寻找最优数学表达式；随机森林用于对比分析；5折交叉验证确保模型评估的稳健性； permutation重要性分析用于评估各工艺参数对力学性能的影响程度。所有模型均基于公开的LPBF实验数据集进行训练和验证，该数据集来源于使用3D Systems ProX DMP 320 PBF-LB系统制备的AlSi₁₀Mg样本。

3.1. 序列学习模型

通过分析不同神经网络模型的损失曲线发现，RNN、LSTM和BiLSTM三种模型均能成功收敛，但收敛速度存在差异。RNN收敛最快，LSTM优化更为充分，BiLSTM下降最为平缓。最终三种模型都能达到相近的最小损失值，表明不同架构都能实现较低的误差水平。在RNN单元数量优化实验中，发现当单元数超过250时，性能改善不再显著，因此选择256个单元作为标准配置。损失函数比较表明，MSE损失在早期epoch下降迅速，而Huber损失（δ=1）提供了更平衡的选择。网络层数影响分析显示，1-4层网络性能差异不显著，因此选择2层结构作为后续模型的基础架构。

3.2. 序列学习模型的训练与测试

针对维氏硬度的预测误差分析表明，测试集比例低于0.1时最大相对误差急剧增加，之后稳定在20%左右。在不同随机数分割的测试中，大多数误差集中在10%以下，表明模型具有合理的准确性。通过系统比较三种序列学习模型在四种损失函数（MSE、MAE、MAPE、Huber）下的表现，发现BiLSTM模型在大多数情况下表现最优。特别是在使用Huber损失函数时，BiLSTM在预测维氏硬度、极限抗拉强度、屈服强度和延展性时都表现出良好的平衡性。5折交叉验证结果进一步证实了BiLSTM模型的稳健性，其最大相对误差均低于7.83%。

3.3. 符号回归方法

符号回归方法通过遗传编程实现，允许高度定制化。研究表明，种群大小、迭代代数和候选解最大长度都对预测精度有显著影响。维氏硬度的预测误差随着迭代次数增加而快速下降，在20代后稳定在10%以下。候选解长度超过20时，误差在2%-6%之间波动。种群大小超过500时，误差保持稳定低位。经过超参数优化后，符号回归在预测各力学性能时都能达到10%以下的最大相对误差，表现出与序列学习模型相当的预测能力。

3.4. 序列学习模型与符号回归方法的比较

特征重要性分析揭示了不同建模方法对工艺参数影响的认知差异。BiLSTM模型显示扫描速度是最重要的影响参数，其次是激光功率，而层厚度和hatch间距的影响相对较小。这种层次化的特征重要性更符合LPBF过程的物理机制。相比之下，符号回归得到的特征重要性分布更为均匀，没有明显的优势参数，这可能削弱了其物理可解释性。随机森林模型甚至出现层厚度重要性为零的结果，这与已知的LPBF知识明显矛盾。

3.5. 序列模型与随机森林的性能比较

随机森林在经过超参数优化后表现出更好的稳定性，但其特征重要性分析与物理原理存在矛盾。特别是层厚度被判定为对力学性能没有影响，这与实际LPBF过程中层厚度通过影响体积能量密度、冷却速率等因素显著影响微观结构和性能的常识相悖。这一矛盾提示随机森林可能无法充分捕捉LPBF参数与性能之间的复杂非线性关系。

研究表明，BiLSTM模型在预测LPBF制备AlSi₁₀Mg合金力学性能方面表现最优，最大相对误差低于7.83%，且其特征重要性分析与物理原理更为一致。符号回归虽然能达到相当的预测精度，但其特征重要性分布较为均匀，物理可解释性较弱。随机森林模型在某些情况下表现稳定，但特征重要性分析结果与已知的LPBF知识存在明显矛盾。

该研究的重要意义在于为LPBF工艺参数优化提供了高效可靠的数据驱动方法。传统实验方法需要数天完成的性能表征，通过本研究的预测模型可在几分钟内完成训练，毫秒级完成预测，大大缩短了研发周期。制造企业可以基于该模型快速筛选最优工艺参数，减少材料浪费，降低后处理需求，从而提高生产效率和产品质量。例如，AlSi₁₀Mg叶轮制造商可以从保守的打印参数转向优化参数，实现更高密度和更优力学性能，可能消除热等静压（HIP）需求或减少加工时间，带来显著成本节约。

未来研究方向包括为每个序列学习模型进行个体化超参数优化，以及开发结合BiLSTM和符号回归优势的混合建模方法，进一步提高预测精度和模型可解释性。同时，需要更多工作来确保模型在不同LPBF设备和材料批次间的泛化能力。