通过数字孪生技术和原位成像技术控制大型聚乳酸增材制造过程中的残余应力

《Materials Characterization》：Residual stress control in large-format additive manufacturing of polylactic acid via a digital twin and in-operando imaging

本研究提出了一种结合快速热力学模型ScanFast和机械模型QuadWire的数字孪生方法，用于优化聚乳酸（PLA）基大型格式增材制造（LFAM）工艺参数。通过实验验证，该模型在薄壁结构中实现了温度场和位移场的准确预测（相关系数>0.80），并揭示了层间应力、玻璃化转变温度层堆积和喷嘴路径偏移的关键影响因素。通过调整层间停留时间和基底温度，可有效控制残余应力和结构变形，提升制造质量。

　　在现代制造业中，增材制造（Additive Manufacturing, AM）作为一种能够实现复杂结构制造的技术，正在快速发展。其中，大尺寸增材制造（Large Format Additive Manufacturing, LFAM）因其能够生产超过1立方米体积的结构，成为工业应用中的重要方向。然而，LFAM在实现过程中面临诸多挑战，其中，冷却速率较低和热积累是主要问题。这些因素不仅影响了结构的成型质量，还可能导致严重的变形和残余应力，从而引发结构与基板之间的脱粘现象。为了应对这些挑战，研究者提出了一种结合快速热分析模型（ScanFast）和机械模型（QuadWire）的数字孪生方法，以在不牺牲精度的前提下显著减少计算复杂度。

### 1. LFAM的挑战与传统方法的局限性

LFAM技术的核心在于使用机器人臂搭载的喷嘴，将大直径的聚合物珠粒逐层沉积以构建结构。然而，由于结构尺寸较大，冷却过程变得缓慢，导致材料在沉积过程中发生显著的热化学收缩，这种收缩会带来多方面的不利影响。例如，当材料处于玻璃化转变温度以上时，其刚度较低，容易发生大变形，这不仅影响结构的几何精度，还可能导致层间结合不良。此外，热积累会导致残余应力的产生，进一步加剧结构的变形和脱粘风险。

传统的数值模拟方法，如完全耦合的热力学有限元分析（FEA），虽然能够提供高精度的模拟结果，但其计算成本极高，尤其在处理大尺寸结构时，需要大量的计算资源。这种方法通常要求对结构进行精细的网格划分，以确保模型的准确性，这不仅增加了计算时间，还可能带来数值求解的条件问题。因此，对于需要快速迭代和优化的LFAM过程，传统方法显然不够高效。

### 2. 快速建模方法的提出与优势

为了解决上述问题，研究人员开发了两种快速建模方法：ScanFast用于热分析，QuadWire用于机械模拟。这两种方法通过弱耦合策略进行整合，即先使用ScanFast计算温度场，再将这些温度场作为输入数据用于QuadWire的机械分析。这种方法的优势在于，它能够显著减少计算所需的自由度数量，同时保持模型的准确性。与传统方法相比，这种弱耦合策略能够有效降低计算复杂度，使LFAM的模拟更加高效。

ScanFast模型基于多层结构的热传导问题，通过简化假设将三维问题转化为多个独立的二维问题。这种简化方法在保证计算精度的同时，显著提升了计算速度。例如，模拟一个薄壁结构仅需约1分钟，而传统方法可能需要数小时。此外，QuadWire模型采用了一种特殊的多粒子结构，每个材料点包含四个粒子，这种设计使得模型能够在保持复杂机械行为的同时，大幅减少计算资源的消耗。相比传统的三维模型，QuadWire的计算时间减少了几个数量级，这使其成为处理大尺寸结构的有力工具。

### 3. 实验验证与参数识别

为了验证所提出模型的有效性，研究团队进行了多项实验。首先，使用单珠实验来表征材料的各向异性特性，这些实验包括对材料密度、热导率、比热容等参数的测量。随后，对一个由25层沉积形成的薄壁结构进行了详细的实验分析，包括温度和位移场的测量。实验中采用了红外热成像技术和逆向数字图像相关（DIC）方法，以获取结构在沉积过程中的热力学和机械行为。

在实验过程中，研究者发现，单珠实验中的温度变化和位移测量与数值模拟结果之间存在良好的一致性，相关系数超过0.80。这表明所提出的模型在模拟材料行为方面具有较高的可靠性。此外，通过调整模型参数，研究者成功地将实验数据与模拟结果进行了匹配，从而验证了模型的有效性。

在材料参数识别方面，研究团队采用了优化方法，将实验数据与模拟结果进行对比，以确定最优的热膨胀系数和残余应力参数。通过这种方法，研究者能够准确捕捉材料在不同温度下的热化学收缩行为，并据此调整模型参数，以更好地反映实际材料特性。实验结果表明，所提出的模型在模拟材料的热力学和机械行为方面具有良好的适应性。

### 4. 数字孪生的应用与优化潜力

数字孪生的建立不仅为LFAM过程提供了高效的模拟工具，还为工艺参数的优化提供了新的思路。通过将实验数据与模型结果进行对比，研究者能够分析不同工艺参数对结构性能的影响，例如层间停留时间（dwell time）和基板温度对残余应力和变形的影响。研究结果表明，较长的层间停留时间会导致更显著的残余应力积累，从而增加脱粘风险。相反，较短的停留时间虽然降低了热积累，但可能导致结构在冷却过程中发生较大的变形，从而影响最终质量。

此外，研究团队还探讨了如何通过调整喷嘴路径来应对结构的逐步变形。在LFAM过程中，沉积的结构会因热化学收缩而发生形变，这种形变会导致喷嘴与结构顶部之间的位置偏移。通过数字孪生模型，研究者能够预测这种位置偏移，并据此优化喷嘴的轨迹，以确保沉积过程的稳定性。实验结果表明，优化后的喷嘴轨迹能够有效减少结构的变形，从而提高制造质量。

### 5. 工业应用的前景与挑战

所提出的数字孪生方法在LFAM领域的应用具有广阔的前景。它不仅能够提高模拟效率，还能为工艺优化提供数据支持，从而减少试错成本，提升制造过程的可控性。此外，该方法还可以扩展至其他材料，如金属、混凝土等，只要对材料参数进行重新校准即可。对于工业应用而言，这种数字孪生技术可以用于实时监控和调整制造过程，确保结构在冷却过程中不会发生过度变形或脱粘。

然而，尽管该方法在模拟效率和精度方面表现出色，但在实际应用中仍面临一些挑战。例如，材料的非线性行为（如粘性、弹塑性等）尚未被完全考虑，这可能会影响模型在复杂工况下的准确性。此外，实验过程中仍然存在一些技术难点，如材料过量沉积导致的局部刚度变化，这可能会影响模型的预测能力。因此，未来的研究需要进一步优化模型，以更好地适应非线性材料行为，并提高对实际制造过程中复杂现象的模拟能力。

### 6. 结论与展望

本研究通过结合ScanFast和QuadWire两种快速建模方法，成功构建了一个高效的数字孪生系统，用于模拟LFAM过程中的热力学和机械行为。实验结果表明，该模型在预测温度场和位移场方面具有较高的准确性，并能够有效分析不同工艺参数对结构性能的影响。所提出的数字孪生方法不仅为LFAM提供了高效的模拟工具，还为工艺优化和结构设计提供了新的思路。

未来的研究可以进一步扩展该方法的应用范围，使其适用于更广泛的材料和制造场景。此外，随着计算技术的进步，该模型可以与机器学习和大数据技术相结合，以实现更智能化的制造过程控制。最终，数字孪生技术有望成为LFAM领域的重要工具，帮助工程师更高效地设计和优化制造工艺，从而提高产品质量和制造效率。