在钛合金先进制造过程中,利用机器学习技术快速预测质量指标

《Powder Technology》:Machine learning rapid prediction for quality indicators in advanced manufacturing processes of titanium alloys

【字体: 大 中 小 】 时间:2026年01月24日 来源:Powder Technology 4.6

编辑推荐:

  激光粉末床熔融制备钛合金过程中,熔池深度、表面粗糙度及孔隙类型与工艺参数间存在复杂非线性关系。本研究通过建立机器学习(XGBoost)与SHAP解释框架,利用DEM-CFD模拟生成的125组实验数据,实现快速预测与机理分析。结果表明:激光功率主导熔池深度,扫描速度影响表面粗糙度和孔隙类型,参数间存在耦合效应。该框架有效结合了数据驱动与物理可解释性,为钛合金增材制造工艺优化提供新方法。

  
葛宇|龙一夫|岳德宇|李萌|杨亚峰|李少福|安熙忠
教育部多金属矿生态冶金重点实验室,东北大学冶金学院,中国沈阳110819

摘要

钛合金的激光粉末床熔融(L-PBF)增材制造(AM)过程中,热现象和流体现象之间存在复杂的相互作用,这些相互作用强烈影响熔池的几何形状、表面形态和缺陷的形成。然而,传统的实验方法和数值优化过程参数在计算上成本高昂,且不适用于快速的质量预测。本研究建立了一个机器学习(ML)- Shapley加性解释(SHAP)框架,利用离散元方法(DEM)- 计算流体动力学(CFD)数值模拟生成的数据集,快速且可解释地预测L-PBF钛合金的关键质量指标,包括熔池深度、表面粗糙度和孔隙类型。系统评估了七种ML算法(回归、KNN、BPNN、DT、RF、SVR和XGBoost),采用最小-最大标准化输入和5折交叉验证。其中,XGBoost在预测准确性、泛化能力和效率方面表现出最佳平衡。为了提高可解释性并减少实验设计的影响,应用SHAP来量化特征贡献、非线性依赖趋势和参数交互效应。SHAP结果表明,熔池深度主要受激光功率控制,而表面粗糙度和孔隙类型则受激光扫描速度的影响。依赖性和部分依赖性分析进一步揭示了单调关系和类别转换,例如深度对能量输入的强正敏感性、速度对缩孔的抑制作用,以及 hatch间距对未熔合孔的线性促进作用。SHAP交互矩阵证实,激光功率和扫描速度的耦合效应同时控制着熔池形态和孔隙形成机制,而涉及 hatch间距的组合仅表现出弱交互作用。总体而言,这种可解释的ML-SHAP框架不仅实现了材料质量指标的快速准确预测,还提供了与L-PBF物理原理一致的理论依据。所开发的方法为钛合金增材制造中的智能参数优化和质量控制提供了实用的、基于物理的工具。

引言

钛合金因其高比强度、优异的耐腐蚀性和良好的生物相容性,在航空航天、生物医学和能源行业得到广泛应用[1]。增材制造(AM),特别是激光粉末床熔融(L-PBF),已成为生产具有复杂几何形状、出色性能和定制微观结构的钛合金零件的变革性技术[2]、[3]、[4]。然而,L-PBF零件的质量对过程参数(如激光功率、激光扫描速度和hatch间距)非常敏感[5]。这些参数直接影响热行为,使得控制熔池动态、抑制缺陷和确保零件质量的一致性变得困难[6]。因此,建立有效的L-PBF过程参数预测和优化策略仍然是一个重要的研究课题。
L-PBF过程优化的传统方法主要依赖于实验试验和数值模拟,如离散元方法(DEM)、计算流体动力学(CFD)和有限元建模(FEM)[7]、[8]、[9]。这些方法为理解复杂物理机制提供了宝贵的见解,例如激光能量吸收、Marangoni对流、反冲压力和关键孔动态,这些机制控制着熔池的形成和凝固行为[10]。然而,实验和数值方法都耗时且资源密集,尤其是在探索涉及激光功率、激光扫描速度和hatch间距的多维过程窗口时[11]。这些局限性激发了人们对能够捕捉过程参数与最终质量指标之间复杂关系的快速替代模型的兴趣。
近年来,机器学习(ML)已成为数据驱动的预测和过程优化的强大工具[12]、[13]、[14]。许多研究概述了ML在智能制造中的应用,包括过程监控、质量预测、参数优化和缺陷检测[15]。通过学习从实验或数值模拟获得的数据集,ML模型可以快速捕捉过程参数与质量指标(如熔池几何形状和孔隙类型)之间的复杂非线性关系[16]。决策树(DT)、人工神经网络(ANN)和极端梯度提升(XGBoost)等算法在这方面表现出巨大潜力[17]、[18]、[19]、[20]。与基于物理的模型相比,这些方法能够以显著降低的计算成本实现快速预测,因此已应用于高熵合金、机械加工、钢板弯曲和成形以及农业等多个领域[21]、[22]、[23]、[24]、[25]、[26]。然而,尽管具有预测能力,大多数ML模型仍像“黑箱”一样,对潜在的物理机制提供的洞察有限[27]。这种不可解释性阻碍了它们在工程设计中的应用,而在工程设计中,可解释性和物理推理是必不可少的。
为了克服这些限制,最近的研究强调了可解释ML框架的重要性,这些框架不仅结合了预测准确性,还提供了机制理解,并且不需要专门的实验设计[28]、[29]。在各种可解释性工具中,Shapley加性解释(SHAP)因能够量化每个输入参数对模型输出的贡献并揭示非线性效应和参数交互而受到关注[30]。然而,将SHAP分析与ML模型结合使用为建立对ML预测的信任和揭示L-PBF中隐藏的过程和结构关系提供了一条有前景的途径。
本研究旨在提出一种系统且可重复的分析方法,以快速预测并明确分析钛合金L-PBF AM中物理独立输入的单独效应和交互效应。首先进行DEM-CFD单层L-PBF模拟,生成包含关键物理量(包括激光功率、激光扫描速度、hatch间距、熔池深度、表面粗糙度和孔隙类型)的数据集。系统评估了几种ML算法(包括回归、K最近邻(KNN)、反向传播神经网络(BPNN)、随机森林(RF)、支持向量回归(SVR)和XGBoost)的预测准确性和效率。XGBoost被确定为在捕捉过程参数与质量指标之间的非线性关系方面能够最佳平衡准确性和效率的算法。随后,应用SHAP分析来阐明输入特征的相对重要性和耦合效应,提供对过程机制的物理可解释性见解。SHAP得出的见解与现有文献的一致性验证了所提出框架的稳健性和适用性。
所提出的框架弥合了基于物理的建模和数据驱动预测之间的差距,实现了计算效率和物理可解释性的结合,这在AM领域是罕见的。它提供了一种计算效率高且机制可解释的方法,用于理解钛合金L-PBF中的过程和结构关系,并为过程优化和先进金属增材制造中的稳健参数设计提供了可操作的指导。

部分内容

数值模型

采用DEM-CFD耦合模型来模拟Ti-5Al-2.5Sn ELI激光粉末床熔融过程中的激光与材料之间的相互作用。由于粉末的物理特性,其在粉末铺展过程中的运动遵循Hertz-Mindlin接触模型和JKR[31]、[32]。CFD模型结合了关键物理现象,包括热传递、熔体流动、Marangoni对流和相变,从而能够准确表示熔池动态和凝固行为[33]

数据集准备

共进行了125次模拟实验,涵盖了图2中显示的所有选定参数范围的组合。输入(激光功率、激光扫描速度和hatch间距)- 输出(熔池深度、表面粗糙度和孔隙类型)的数据集,其大小与AM研究中常用的数据集相似,用于训练ML模型[52]。
在模型开发之前,应用了几步预处理步骤以确保数值稳定性、加速收敛

结论

本研究开发了一个L-PBF钛合金质量指标的预测框架,通过结合DEM-CFD模拟和多种ML模型以及SHAP分析,快速预测并明确分析物理独立输入的单独效应和交互效应。主要结论如下:
  • 1.
    通过DEM-CFD生成的模拟数据集使用标准化输入和交叉验证,实现了熔池深度、表面粗糙度和孔隙类型的准确预测
  • 局限性和未来工作

    本研究的目的是不是全面评估所有机器学习算法,而是建立一个可解释的ML-SHAP框架,用于L-PBF质量预测。所选的七种模型代表了常用的基于回归的、基于核的、基于神经网络的和基于树的算法,它们在预测能力和可解释性之间取得了平衡。未考虑图神经网络和集成堆叠等高级方法,因为它们通常需要明确的

    CRediT作者贡献声明

    葛宇:撰写——原始草案、方法论、研究、形式分析、数据管理、概念化。龙一夫:撰写——审阅与编辑、验证、资源管理、数据管理、概念化。岳德宇:撰写——审阅与编辑、可视化、方法论、形式分析。李萌:撰写——审阅与编辑、验证、数据管理。杨亚峰:撰写——审阅与编辑、验证、形式分析。李少福:撰写——审阅与编辑、方法论。安熙忠:撰写——

    利益冲突声明

    作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

    致谢

    作者感谢中国国家自然科学基金(52441408)和辽宁振兴人才计划(XLYC1805007)对当前工作的财政支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号