用于无缺陷AA2024铝合金激光粉末床熔融的贝叶斯优化

《Additive Manufacturing》：Bayesian optimization for laser powder bed fusion of defect-free AA2024

贝叶斯优化在激光粉末床熔融加工2024铝合金中的工艺参数优化研究。采用单目标贝叶斯优化首次迭代即获得99.97%高密度无缺陷组件，验证了机械性能与铸造材料相当。进一步扩展为双目标优化，通过批处理贝叶斯优化平衡密度与沉积速率，拓展了帕累托前沿。研究证明了贝叶斯优化在数据稀缺条件下高效探索工艺参数空间的潜力。

　　在金属增材制造（AM）领域，确定最佳加工参数一直是一个核心挑战，这一问题限制了AM技术的潜力及其在工业中的广泛应用。本文提出了一种基于贝叶斯机器学习（ML）的框架，旨在高效地识别金属AM过程中的最佳参数。该方法通过成功处理AA2024合金，将其加工成高密度组件，展示了其有效性。AA2024合金因其在加工过程中容易形成裂纹而被视为具有挑战性的材料，但通过激光粉末床熔融（PBF-LB/M）技术，研究团队能够实现这一目标。该框架从一个包含五个参数组合的初始数据集开始，即使数据量有限，也能准确预测出能够生产无裂纹且高密度组件的加工条件。此外，该框架还扩展到双目标优化，同时优化密度和加工速率（BUR）。实验验证表明，该框架能够识别出显著提升BUR的新参数组合，同时保持高质量的部件。

金属AM具有制造近净成形部件的优势，能够根据计算机辅助设计（CAD）文件逐层构建复杂几何形状的组件。这一特性使其在航空航天、医疗和能源等行业中展现出巨大潜力。与传统的减法制造相比，金属AM可以显著减少材料浪费，并且未使用的粉末可以回收利用，从而赋予其可持续发展的潜力。然而，尽管具有这些优势，金属AM技术，尤其是PBF-LB/M，尚未实现突破。除了成本高昂的设备和原料，加工过程的控制仍然是一个主要难题。控制AM过程等同于识别能够生产无缺陷且高密度组件的最优参数组合。这一任务通常依赖于实验的反复尝试，虽然有时会借助设计实验和统计分析等方法，但总体而言仍需要大量资源。

为了提升金属AM的可持续性潜力，这一参数识别过程必须尽可能高效。机器学习（ML）方法正成为一种有前景的替代方案，因为它们能够有效地利用AM的潜力。本文提出了一种贝叶斯优化（BO）框架，该框架利用一个最小的初始数据集，并在不依赖于全局准确的替代模型的情况下，实现参数优化。BO能够逐步选择最有前景的参数组合，从而在参数空间中导航，找到最优解。这种框架的高效性在于其对不确定性的显式处理，以及在探索与利用之间取得平衡，使其在数据稀缺的条件下尤为有效。

为了展示BO方法的有效性，研究团队使用了AA2024合金的PBF-LB/M加工，这是一种在加工过程中容易形成裂纹的材料。首先，团队采用单目标BO方法，识别出能够产生高密度且无裂纹组件的参数组合。该方法在仅使用五个初始参数组合的情况下，准确预测了参数条件，从而实现了这一目标。接着，团队进一步应用了双目标BO方法，同时优化相对密度和加工速率。实验结果表明，该方法能够识别出显著提高加工速率的参数组合，同时保持高密度的零件质量。

在金属AM的加工过程中，参数优化不仅涉及单一目标，还经常需要同时优化多个属性。例如，密度和加工速率（BUR）是两个重要的目标，它们通常存在相互制约的关系。本文提出了一种双目标优化框架，结合了贝叶斯优化方法，使得参数优化过程能够在保持高密度的同时，提高加工速率。通过实验验证，该方法能够在优化过程中识别出新的参数组合，从而显著提高加工速率，同时维持高质量的零件。这一结果表明，BO方法不仅适用于单一目标的优化，也适用于多目标优化，从而提高了AM过程的效率和效果。

为了确保优化过程的准确性，研究团队使用了多种实验方法，包括X射线计算机断层扫描（μCT）和光学显微镜（OM）等。这些方法用于分析加工后的零件，评估其密度和缺陷面积。通过对比实验数据，团队验证了BO方法在识别最优参数组合方面的有效性。此外，团队还进行了拉伸测试，以评估零件的机械性能。实验结果显示，采用BO方法优化后的AA2024零件，其拉伸性能与铸造后的T6处理零件相似，证明了优化方法的可靠性。

本文的实验数据和分析表明，即使初始数据集较小，贝叶斯优化方法仍能有效地识别出最优参数组合。这得益于BO对不确定性的显式建模，以及在参数空间中对高潜力区域的逐步探索。此外，通过双目标优化，团队展示了如何在密度和加工速率之间找到平衡，从而提高AM的整体效率。实验结果还表明，通过优化参数组合，可以显著提高加工速率，同时保持高密度的零件质量。

研究团队还强调了BO方法的灵活性和可扩展性。该方法不仅适用于PBF-LB/M工艺，还能够应用于其他金属AM技术，如直接金属沉积（DMD）等。此外，该框架可以用于不同合金和材料的优化，而不仅仅是AA2024。通过调整初始数据集，以及利用不同的优化策略，BO方法可以被广泛应用于金属AM领域，为各种材料的加工优化提供了一种高效的方法。

本文的研究结果不仅展示了BO方法在金属AM中的潜力，也为未来的优化研究提供了指导。通过减少对专家干预的依赖，以及利用数据集的高效构建，BO方法可以显著降低优化过程的成本和时间。此外，研究团队还指出了该方法在多目标优化中的应用前景，以及其在复杂几何形状零件加工中的潜在价值。通过进一步优化算法，以及引入更高级的优化策略，如多目标BO和多级优化，可以进一步提升AM过程的效率和效果。

总体而言，本文的研究成果为金属AM的参数优化提供了一种高效且灵活的方法。通过贝叶斯优化框架，研究团队能够在数据稀缺的条件下，准确识别出能够生产高密度且无缺陷组件的参数组合。同时，该方法还展示了如何在密度和加工速率之间找到平衡，从而提升AM的整体性能。这些成果不仅有助于推动金属AM技术的发展，也为未来的研究提供了新的思路和方法。