面向IN718激光粉末床熔融成形件表面粗糙度量化与逆向调控的数据驱动方法

本刊推荐：本研究首次提出一种逆向数据驱动框架，结合机器学习算法与Inconel 718（IN718）实验数据集，实现激光粉末床熔融（PBF-LB）工艺参数与成形表面粗糙度的双向精准预测。该模型突破传统正向预测局限，引入确定性粗糙度参数（如σs/Rs），显著提升预测精度（逆向模型达80%，正向模型达90%），为增材制造（AM）数字化线程中表面粗糙度的原位控制提供关键技术支撑，有效减少后处理需求并提升工艺效率。

　　

1 引言

激光粉末床熔融（PBF-LB）作为一种金属增材制造（AM）技术，能够制造具有复杂几何结构的高价值零件，广泛应用于航空航天、医疗器械和汽车工业领域。然而，PBF-LB技术通常产生粗糙的成形表面，存在阶梯效应、部分熔融粉末颗粒和孔隙等特征，这些表面缺陷会显著影响零件的机械性能，尤其是疲劳强度，因为（亚）表面缺陷可能成为裂纹萌生位点。尽管通过改进金属粉末质量、激光控制和扫描策略可以减少孔隙和表面粗糙度，但后处理仍然是满足功能性和尺寸规格的必要步骤，且成本高昂、耗时较长。

近年来，研究者通过试验设计、回归分析和数据驱动方法建立了PBF-LB工艺参数与表面粗糙度之间的正向关系模型，但这些模型主要依赖于面粗糙度参数（如Sa、Sq、Ssk、Sku），忽略了空间表面特征。相比之下，确定性粗糙度参数（如σ_s、R_s、η_s）能够同时捕捉高度和空间信息，与PBF-LB工艺参数具有更强的相关性。尽管机器学习算法（如人工神经网络ANN、随机森林RF、支持向量回归SVR和极端梯度提升XGBoost）在正向预测中取得了超过90%的准确性，但这些模型往往依赖于稀疏或合成数据集，未考虑构建方向（α）等重要参数，且主要预测平均表面粗糙度Sa，对局部表面粗糙度的洞察有限。

此外，虽然体积能量密度（VED）和线性能量密度（LED）常用于表征PBF-LB工艺，但它们与表面粗糙度参数的相关性较弱，因为不同的VED值可能产生相似的表面粗糙度。更先进的指标（如无量纲热输入）或混合数据集（结合实验和合成数据）提高了模型的泛化能力，但逆向模型——从期望的表面粗糙度预测所需的工艺参数——尚未见报道。这种逆向模型对于实现智能过程控制至关重要，使用户能够指定所需的表面粗糙度并获得实现该粗糙度的工艺参数，从而减少后处理需求。

因此，本研究首次引入了逆向数据驱动建模框架，利用实验获取的Inconel 718（IN718）全工艺范围内的表面数据，开发了正向和逆向数据驱动模型，结合面粗糙度、确定性和混合表面粗糙度参数，评估预测精度并指导PBF-LB工艺调整。研究表明，确定性粗糙度参数显著提高了模型预测精度，为实现表面粗糙度的数字孪生和逆向设计奠定了基础。

2 实验部分

2.1 试样增材制造

使用IN718粉末（平均粒径26μm）和EOS M290 PBF-LB打印机制备了16个试样，保持40μm层厚、15μm hatch偏移和EOS推荐的内部填充工艺参数不变，而轮廓激光工艺参数（轮廓1和轮廓2的激光功率P和扫描速度v）则系统变化，以研究其对表面粗糙度的影响。试样包括下皮肤（down-skin）和上皮肤（up-skin）设置，工艺参数在EOS推荐值附近约±10%和±20%范围内变化，以避免粉末未熔融或熔池过热。重复试样2和5、9和14的工艺参数以评估工艺重复性。

2.2 表面粗糙度测量

使用白光干涉仪（Contour X-500）测量表面高度数据，横向分辨率0.38μm，垂直分辨率1-5nm。通过拼接九个独立测量区域，获得1.8×1.8mm的表面粗糙度图。应用高斯回归滤波和邻域平均方法减少噪声和修复缺失像素数据。测量区域包括上皮肤表面（构建方向0°≤α≤90°）、顶面（α=0°）和侧面（α=90°），下皮肤表面因支撑结构移除而被排除。

2.3 成形表面粗糙度量化

表面粗糙度通过面参数（Sa、Sq、Ssk、Sku）、确定性参数（σ_s、R_s、η_s、σ_s/R_s）和混合参数（Sdq、Sdr）进行表征。确定性参数通过八近邻算法识别表面峰，计算峰高标准差、平均峰半径和峰密度。混合参数如Sdq和Sdr从表面高度和主要空间波长衍生，有助于区分具有相似Sa但表面特征不同的表面。

2.4 基于机器学习算法的数据驱动模型

2.4.1 正向数据驱动模型

正向模型以PBF-LB工艺参数（P₁、v₁、P₂、v₂、α）为输入，预测10个表面粗糙度参数。数据集随机分为80%训练和20%验证，使用KNN、ANN、RF、SVR和XGBoost算法构建模型，并通过超参数调优和十倍交叉验证优化预测精度。评估指标包括决定系数（R2）、平均绝对误差（MAE）和均方根误差（RMSE）。

2.4.2 逆向数据驱动模型

逆向模型采用两步策略：第一步，用户指定期望的Sa和α，通过ANN模型预测完整的表面粗糙度参数集；第二步，使用另一个ANN模型将这些参数映射到PBF-LB工艺参数。通过蒙特卡洛模拟（N=100次迭代）处理逆向问题的非唯一性，计算每个工艺参数的分布算术均值作为预测值。评估指标与正向模型相同，但未使用交叉验证 due to computational cost。

3 结果与讨论

3.1 相关系数

Pearson线性相关系数显示，确定性和混合表面粗糙度参数与PBF-LB工艺参数具有更强的线性相关性，因为它们同时包含高度和空间信息。然而，线性分析不足以表征复杂的非线性关系，如σ_s/R_s与P₁或v₂之间的非唯一关系。

3.2 正向数据驱动模型的预测精度

在50个正向模型中，RF、XGBoost和ANN算法表现最佳，确定性参数σ_s/R_s的预测精度最高（R2≈0.94）。面参数Ssk和Sku的预测精度最低。Friedman检验和Nemenyi事后检验表明，RF和XGBoost模型的预测精度显著优于SVR模型。排列特征重要性分析显示，轮廓激光功率和构建方向是对表面粗糙度影响最大的工艺参数。

通过可视化σ_s/R_s随P₁和α的变化，发现最光滑的表面出现在水平构建方向（α=0°）或高α结合高P₁时，而低P₁和中间α导致表面粗糙度增加，出现阶梯效应或球化现象。

3.3 逆向数据驱动模型的预测精度

逆向模型对P₁、v₁、P₂和v₂的预测精度约为80%（R2≈0.79-0.84）。通过一个具体案例（Sa=20.07μm, α=15°）验证，预测值与真实值的差异在8%以内。整体而言，预测误差随α增加和Sa减少而降低，因为光滑表面的空间变异性较低，Sa更能代表表面粗糙度。

3.4 局限性

模型的预测精度受实验数据集范围和大小限制。本研究涵盖了文献中报道的激光扫描速度和构建方向的几乎全部范围，但少数研究使用了更高的激光功率。扩展工艺范围并增加实验数据可能会提高模型精度。

逆向模型的精度略低于正向模型， due to 两步架构的误差累积。此外，逆向模型的计算成本较高，限制了交叉验证的使用。未来可通过物理信息机器学习（PIML）融入物理约束和领域知识，改善模型精度和泛化能力。

尽管建模框架通用，但具体结果仅适用于IN718，应用于其他材料需相应实验数据。

4 结论

本研究提出了一个数据驱动建模框架，定量建立了PBF-LB工艺参数与IN718试样成形表面粗糙度之间的双向关系。正向模型实现高达90%的预测精度，确定性参数σ_s/R_s表现最佳；逆向模型首次实现从期望粗糙度到工艺参数的预测，精度约80%。该框架为PBF-LB智能优化和原位控制提供了关键工具，支持数字化线程中的表面粗糙度管理，减少后处理需求，提高工艺效率。在线工具已发布于https://amsurfaces.cs.vt.edu/。