基于深度学习代理模型的激光粉末床熔融工艺感知拓扑优化方法研究

《Additive Manufacturing》:Process-aware topology optimization leveraging deep learning surrogate model-based functions for laser powder bed fusion

【字体: 大 中 小 】 时间:2026年01月25日 来源:Additive Manufacturing 11.1

编辑推荐:

  本文提出了一种结合深度学习代理模型与拓扑优化的创新方法,用于在激光粉末床熔增材制造过程中同步优化零件使用性能与残余变形。研究通过数据驱动的代理模型高效预测316L不锈钢的残余非弹性变形,并利用离散梯度优化算法,成功实现了支持结构自由、可制造性强的零件设计。实验验证表明,该方法能显著减少零件变形,提升制造成功率,为复杂金属构件的高性能增材制造提供了新思路。

  
随着工业界对产品性能要求的不断提升,拓扑优化(Topology Optimization, TO)作为寻找最优材料分布的数学方法,已成为提升产品性能的关键技术。然而,传统拓扑优化产生的复杂几何结构往往难以用减材制造方法实现,而增材制造(Additive Manufacturing, AM)技术,特别是激光粉末床熔融(Laser Powder Bed Fusion, LPBF)技术,为制造这些复杂结构提供了可能。LPBF通过逐层熔化金属粉末来构建零件,但在此过程中,激光熔化引入的热应力会导致零件变形,甚至可能引起刮刀干涉和构建失败。虽然已有研究通过几何约束和简化的有限元分析(Finite Element Analysis, FEA)模拟来优化残余应力和变形,但由于计算复杂性,这些工作通常忽略了非弹性变形和材料非线性行为,或仅能应用于小尺寸域或支撑区域。因此,开发一种能够同时考虑LPBF制造过程和应用端性能、且计算上可行的大规模拓扑优化方法,成为当前研究的迫切需求。
为解决上述问题,本研究团队在《Additive Manufacturing》上发表论文,提出了一种基于深度学习代理模型的工艺感知拓扑优化框架。该研究的核心创新在于首次实现了在LPBF制造和应用端性能同时优化下的、计算上可行的、无支撑的零件拓扑优化,尤其针对残余非弹性变形。该方法利用在316L不锈钢的弹塑性有限元逐层修正固有应变模拟数据上训练的数据驱动代理模型,能够在几秒钟内预测残余变形和灵敏度,并与基于有限元的应用端性能和解析最大体积约束轻松耦合。通过多目标、离散、基于梯度的拓扑优化分析,该框架可以最小化每层的顶面垂直变形以及应用端性能目标,并可扩展至数十万个设计变量。
为开展研究,作者主要采用了几个关键技术方法:首先,采用了基于Dong等人提出的修正固有应变法来生成高精度的训练数据,该方法通过两次平衡求解更好地捕捉制造过程中的冷却效应;其次,构建了一个双向卷积长短期记忆神经网络作为代理模型,该模型能够处理三维体素网格输入并预测构建方向的残余变形;最后,将代理模型嵌入到基于离散拓扑优化的二元结构方法中,利用整数线性规划求解器进行高效优化。研究中使用的样本数据来源于Princeton ModelNet40数据库中的几何形状,并通过数据增强技术扩大了数据集。
研究结果部分通过两个测试算例和一个复杂的GE喷气发动机支架优化问题进行了验证。在“梁”和“桌面”两个测试算例中,研究人员比较了仅考虑使用性能的优化设计(基线)与同时考虑使用性能和制造变形的优化设计。
优化结果对比:结果显示,与基线设计相比,引入变形控制目标的优化设计在应用端柔顺性仅有微小增加(例如,梁算例中最大为1.07倍,桌面算例中最大为1.36倍),但却显著降低了代理模型预测的变形目标(降低8.70倍至75.09倍)。有限元验证也证实,优化设计的最大顶面变形减少了1.13倍至3.88倍。
几何特征演变:过程感知的设计用柱状或薄壁支撑取代了凸出的开口,用泪滴状开口取代了凹入的开口。例如,在45度悬垂角的梁优化中,基线设计产生了大的菱形切口,而易变形设计则生成了平滑的泪滴状形状,并增加了柱状支撑结构以限制悬臂效应。
制造验证:实验制造和验证表明,过程感知的设计在模拟和实验中变形更小,突出粉末层以上的部分更少,并且实现了零构建失败,而基线设计则出现了明显的变形、表面粗糙甚至构件断裂等问题。通过原位CMOS相机监测的像素强度分析也表明,优化设计的层间变形显著低于基线设计。
研究的结论部分强调,这项工作首次实现了计算上可行的、同时考虑LPBF制造残余非弹性变形和使用性能的拓扑优化。所提出的框架通过数据驱动的代理模型,使得在优化中考虑复杂的物理过程(如弹塑性变形)变得易于处理,从而能够设计出既满足功能要求又具有高可制造性的零件。该方法成功地用定量的、基于物理的优化目标替代了传统的、经验性的“面向增材制造的设计”规则,为高性能金属增材制造开辟了新的途径。讨论中指出,虽然代理模型存在一定的预测误差,但其在捕捉变形趋势和指导优化方面表现优异。未来的工作将集中于提高代理模型的精度,并探索将其应用于更广泛的材料和工艺参数范围。这项研究的意义在于,它为实现“首次打印即成功”的智能增材制造设计提供了强有力的计算工具和方法论基础。
相关新闻
生物通微信公众号
微信
新浪微博

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