人工智能与高通量材料测试协同加速金属增材制造的工艺-结构-性能关系研究

这篇综述系统阐述了人工智能（AI）/机器学习（ML）与高通量材料表征技术在金属增材制造（AM）中的整合应用。文章聚焦于通过非标准测试协议（如球形压痕和小冲杆试验）快速建立工艺-结构-性能（PSP）关联，并探讨贝叶斯优化（Bayesian optimization）在高维设计空间探索中的优势。作者提出，AI/ML驱动的自主AM开发周期将显著提升材料与工艺优化效率，为结构合金的快速开发提供新范式。

　　

1. 引言

金属增材制造（AM）因其可定制复杂几何结构和多功能性能的特点，在结构合金开发中展现出巨大潜力。然而，AM材料的异质性和各向异性对传统表征方法提出了挑战。传统方法主要针对均质材料设计，难以适应AM特有的微观结构梯度。为此，高通量材料合成与表征策略应运而生，通过组合式高通量（CHT）评估快速筛选材料性能，结合非标准测试协议（如球形压痕和小冲杆试验）建立PSP关联。

2. 结构材料性能的高通量表征

2.1 微观结构表征与量化

AM材料的微观结构受非平衡凝固过程影响，常出现元素偏析和亚稳态相。传统技术如X射线衍射（XRD）和扫描电镜（SEM）虽能提供相组成信息，但同步辐射X射线和原位中子衍射（ND）技术更适用于捕捉熔池动态和缺陷演化。例如，FeCoNiAlTi高熵合金（HEA）中位错密度的非均匀分布通过ND揭示，其胞状结构贡献了80%的强化效应。

2.2 力学性能

球形压痕通过压痕应力-应变（ISS）曲线解析材料从弹性到塑性的转变，适用于多尺度评估。例如，Ti-Ni梯度合金的ISS曲线显示镍含量与屈服强度呈正相关。小冲杆试验（SPT）则通过贝叶斯估计（BE）框架将载荷-位移数据转化为单轴应力-应变响应，精度优于传统经验公式。316L-In625梯度合金的SPT数据验证了该方法的可靠性。

疲劳与蠕变性能方面，小冲杆疲劳（SPF）测试表明，激光粉末床熔融（LPBF）Ti-6Al-4V的细晶组织可延缓裂纹扩展，而镍基合金C263中γ′析出相能阻碍位错运动。小冲杆蠕变（SPC）测试则揭示了SLM GH4169合金的动态再结晶行为可降低各向异性。

3. AI/ML在AM开发周期中的整合

贝叶斯优化通过高斯过程回归（GPR）代理模型高效探索高维工艺参数空间。例如，Karkaria等开发的数字孪生框架结合长短期记忆（LSTM）网络实时预测定向能量沉积（DED）过程的温度场，并通过贝叶斯优化时间序列（BOTSPO）优化激光功率曲线，提升Inconel 718的性能。

4. 总结与未来展望

AI/ML与高通量技术的融合正推动AM向自主化发展。未来需解决跨平台数据标准化和计算资源瓶颈问题，以实现从实验室到工业级的规模化应用。数字孪生和实时监控系统将进一步减少后处理需求，而多尺度模型的整合将深化对AM物理机制的理解。