金属增材制造中数据统计评估的关键挑战与机器学习优化策略

本研究针对金属增材制造（AM）中数据报告的偏差问题，通过构建包含4000余条文献数据的数据库，揭示了当前研究仅关注高致密度（>98%）的局限性。研究人员采用机器学习（ML）和主成分分析（PCA）优化工艺参数与力学性能的关联模型，发现屈服强度（YS）预测精度达R2=0.85，但致密度预测表现较差。该研究为AM工艺窗口的多元优化提供了新范式，推动数据驱动设计的发展。

　　

金属增材制造（Additive Manufacturing, AM）正以高效、低成本制造复杂结构的优势革新传统工业，但其过程中能量束与材料的极端相互作用导致缺陷和微观结构问题，直接影响最终产品的力学性能和可靠性。尽管过去十年已有大量研究探讨工艺-微观结构-性能（Process-Microstructure-Property, PMP）关系，但数据报告存在严重偏差：多数研究仅公布高致密度（>98%）的优化参数，力学性能数据不足50%，定量微观结构数据更是稀缺。这种数据失衡导致机器学习（ML）模型难以全面捕捉PMP关系，限制了其在非优化条件下的泛化能力。

为突破这一瓶颈，来自帝国理工学院的研究团队开展了系统性研究，通过整合4000余条金属AM文献数据，结合统计分析和机器学习，揭示了当前数据报告的三大核心问题：高致密度数据主导导致的预测偏差、微观结构数据缺失对性能关联学习的限制，以及传统工艺窗口仅依赖致密度的片面性。相关成果发表在《Materials》期刊，为AM领域的数据标准化和智能优化提供了重要基准。

研究采用多维度技术方法：首先通过探索性数据分析（EDA）评估数据分布特征，利用Spearman和Pearson相关系数量化参数间关联；其次采用主成分分析（PCA）降维，对比传统体积能量密度（VED）的优化效果；构建包括CatBoost、LightGBM等8种ML模型预测力学性能；最后通过Sobol敏感性分析解析工艺参数的影响机制。

3.1 探索性数据分析
研究发现85%的文献仅报告致密度>95%的数据，导致低致密度区间工艺-性能关系缺失。316L不锈钢因孪晶诱导塑性（TWIP）效应展现最宽延伸率分布（34.98±20.76%），而IN718因热处理呈现屈服强度双峰分布（873±298 MPa）。相关性分析显示，VED与屈服强度的单调相关性（r=0.20）弱于PCA降维后的主成分PC₁（r=0.35），表明传统VED指标存在局限性。

3.2 工艺窗口识别
突破传统单一致密度优化模式，研究提出综合屈服强度、加工硬化率和延伸率的多元工艺地图（Hmap₂）。结果显示316L和IN718的可用参数范围最广，而Ti6Al4V因马氏体相变和氧元素损失导致工艺窗口狭窄。这种多目标优化方法将结构应用的关键力学指标纳入考量，比单一致密度标准更具工程意义。

3.4 机器学习性能
CatBoost模型对屈服强度的预测精度最高（R²=0.85），但致密度预测误差达4.26%（RMSE），凸显数据偏差对模型性能的制约。敏感性分析发现，LightGBM能更好反映激光功率和扫描速度对屈服强度的主导影响，与冷却速率调控细胞间距的科学机制一致，而CatBoost则过度放大了层厚和舱距的作用。

该研究通过大规模元分析揭示了AM数据生态的固有缺陷：微观结构数据缺失阻碍了PMP关系的深度学习，而高致密度数据的过度代表导致模型在非优化区间的失效。尽管存在数据局限，研究仍证明ML可有效捕捉特定工艺-性能关联（如屈服强度与冷却速率的关系），其构建的开放数据库和标准化分析框架为AM社区的协同数据建设奠定基础。未来需增加低致密度区间数据和疲劳性能报告，并整合扫描策略、构件几何等元数据，以全面提升数据驱动设计的可靠性。这项研究不仅为工艺优化提供了新工具，更对推动AM从经验导向向科学导向的范式转变具有里程碑意义。