基于田口-灰色关联分析与人工神经网络混合方法对Ti-6Al-4V合金激光粉末床熔融工艺参数的优化与预测

《Engineering Applications of Artificial Intelligence》：Optimization and prediction of process parameters in laser powder bed fusion of Ti-6Al-4V alloy using hybrid Taguchi-grey relational analysis and artificial neural network

　　

•本研究采用田口-GRA（灰色关联分析）和ANN（人工神经网络）方法优化Ti-6Al-4V的L-PBF（激光粉末床熔融）参数，以降低表面粗糙度和尺寸偏差。•最优设置（激光功率175 W，扫描速度1200 mm/s，光斑间距70 μm）实现了优异的打印质量。•GRA将光斑间距识别为关键因素，而ANN预测误差低于3.5%。•ANN预测与实验结果高度吻合，误差率极低（2.15%~3.47%），验证了模型的可靠性。•这些预测可确定AM试样的最小粗糙度和精确尺寸。

**引言**

L-PBF增材制造（AM）技术是研究与开发领域日益增长的方向，其独特优势获得了越来越多的认可。该技术是航空航天和医疗行业兴起的主要驱动力，能够制造复杂的几何形状部件，提供减重和增强定制化等优势。然而，AM工艺本身会导致最终产品存在缺陷（Narra等人，2023）。所有L-PBF系统中常见的四个基本工艺参数为：(a)激光功率，(b)扫描速度，(c)光斑间距和(d)层厚（Elsayed等人，2019；Marimuthu和Kunjan，2024）。这些因素共同调节金属材料的V ED（体积能量密度），从而影响其物理力学性能和可制造性（Yusuf和Gao，2017）。由于具有高耐腐蚀性以及良好的强度和轻量化性能平衡，生物相容性钛合金被用于制造患者定制的金属植入物。此外，在加工过程中将工艺参数优化到一定范围内以获得预期结果至关重要（Gaur等人，2022）。在激光加工技术中使用高激光功率具有许多优势，包括获得更光滑的表面光洁度、降低残余应力以及生产均匀性组件。然而需要注意的是，高功率水平可能对加工材料的尺寸精度产生不利影响（R. Kaschel等人，2020）。

关于L-PBF三维（3D）打印中工艺参数与缺陷结构之间的关系，已有大量信息可供参考（DebRoy等人，2018）。工艺参数对特征变化具有高度影响（Marichamy等人，2025a）。有必要更深入地了解工艺参数，以减少缺陷并定制微观结构（Oliveira等人，2020）。

Ti-6Al-4V材料的顶部Ra使用ANN模型预测，该模型包含三个隐藏层，分别设有四个、三个和两个隐藏节点，以响应激光功率、扫描速度、光斑间距、层厚和增量角度的变化。研究结果表明，后处理参数如热处理条件控制了使用L-PBF制造的部件的顶部Ra。此外发现，具有更高能量密度（如激光功率和扫描速度）的部件表面质量较差（Khorasani等人，2020）。L-PBF制造的Ti-6Al-4V部件的顶部Ra图像通过图像纹理特征提取，并使用具有一个隐藏层、五个隐藏节点的ANN进行预测（Thijs等人，2010）。这些方法可以改变Ra，降低Ra并提高表面质量（Thijs等人，2013）。实验模型、试验设计、ANN、方差分析（ANOVA）和其他优化方法是解决表面质量相关挑战的主流方法（Bikas等人，2016）。有多种方法可以描述和预测工艺因素如何影响零件质量，包括基于人工智能的方法（Zhang等人，2022）。ANN能够准确预测和研究工艺因素对密度的影响。激光表面重熔（LSR）已被提出用于改善L-PBF部件的密度、结构、测量精度和原始状态（Alrbaey等人，2014；Yang等人，2012）。

表面质量在加工中至关重要，需要更高水平的精度（I. Daniyan等人，2021；Liu等人，2020；Sur等人，2022）。平均Ra是通过沿试样给定长度上的加工表面峰谷区域面积进行平均计算得出的。Ra对大型复杂成型产品和机械部件的装配具有重要贡献（I. A. Daniyan等人，2021；Liu等人，2020）。如果未能达到预期的Ra值，则需要通过替代切削条件或工序对表面进行返工。钛合金经加工产生的地形特征受多种因素影响，包括切削速度、刀具磨损、进给率、径向和轴向切削深度、刀具成分和刀具形状（I. A. Daniyan等人，2021；Zhuo等人，2021）。许多研究者已调查了这些变量对Ra的影响，以及Ti-6Al-4V周边铣削中切削表面参数化地形的影响。在低进给率与高切削速度配合使用时，获得了更优的表面质量（Sur等人，2022）。

上述因素直接影响打印植入物的物理力学性能。L-PBF方法的参数既影响V ED，也影响与制造过程相关的打印时间（Yang等人，2026）。研究发现，V ED降低会导致制造部件的尺寸精度提高（Gaur等人，2022）。V ED也是影响生产经济性的一个因素（Kuo等人，2021），必须保持在非常低的水平。由于多种因素的共同影响，选择最优参数组合以达到所需质量极具挑战性，从而需要优化（Wang等人，2016）。

实验中使用田口L9正交表来改变主轴转速、进给率和切削深度。利用GRA找出了Ra、机器振动和切削温度的最佳切削设置（Lu等人，2026；Zhang等人，2024）。此外，还对工件的硬度和微观结构进行了分析（Marichamy等人，2025b）。这增强了人们对加工过程及其对工件性能影响的理解（Kazeem等人，2024）。A319铝接头的预期延伸率百分比通过ANOVA确定（Hu等人，2026）。结果表明，肩宽和焊接速度的微小调整对接头效率和极限强度有显著影响（Marichamy和Babu，2020a）。GRA的主要目标是优化工艺响应（极限抗拉强度、屈服强度和延伸率）（Sabry等人，2020）。实验设计使用L9正交表，并采用附加比率评估系统（ARAS）方法评估不同方案，找到最优方案（Marichamy和Babu，2020b）。

本研究的目标是探究3D打印因素（激光功率、扫描速度和光斑间距）的核心影响及其相互交互作用对平均打印质量和Ra的影响，并测量Ti-6Al-4V金属在3D打印机中的样品尺寸。研究该主题还旨在找到测量尺寸和使表面尽可能光滑的最佳控制因素。该研究使用基于田口正交表设计的实验数据和多目标优化过程完成。田口-GRA方法是实现该目标的最佳方式，因为它非常擅长处理多目标优化问题。本研究通过展示(a)激光功率，(b)扫描速度和(c)光斑间距如何影响数据库创建过程，有助于为Ti-6Al-4V加工建立数据库。本研究的创新之处在于将ANN与田口L9正交表设计相结合，用于多目标3D打印人体骨植入物的优化。该方法有效地探索参数空间，同时改善Ra、孔尺寸和V ED，为工业优化提供了稳健的方法论。

近年来，人工智能（AI）和机器学习（ML）架构在多个科学和工程前沿领域取得了历史性的范式转变突破。例如，在结构生物学领域，AlphaFold等深度学习系统从根本上革新了蛋白质结构预测，使分子景观的快速探索和临床药物发现得以加速（Guo等人，2024）。大语言模型（LLMs）在临床决策支持和医学教育方面显示出巨大潜力，尽管与内部医学相比，这些领域仍不够发达。该文概述了医学AI的快速增长，强调了需要在安全、准确性和发展中地区公平部署方面加大关注（Guo等人，2026）。在医疗健康之外，生成式AI框架通过自主工具深度渗透了化学和材料科学，这些工具能够进行高通量晶体结构生成和物理性质筛选，先于传统实验室验证（Abu-Shams，2026）。与这些全球数据驱动趋势并行的是，先进制造业同样在拥抱AI以绕过资源密集型实验。通过引入针对特定工艺环境定制的紧凑神经网络拓扑，制造商可以建立高度灵活的插值系统，能够预测经典多项式模型无法充分解决的复杂力学交互。

本研究的主要贡献在于将田口实验设计、GRA和ANN建模整合为统一的L-PBF制造Ti-6Al-4V植入物板的优化与预测框架。与分别考虑表面粗糙度和尺寸特性不同，所提出的方法同时评估TFSR（顶面粗糙度）、ICCR（内孔曲线粗糙度）、EHD（外孔直径）、IHD（内孔直径）和V ED。采用GRA确定L-PBF工艺参数的最优组合，而ANN模型建立工艺参数与相应响应之间的非线性关系，并提供优化条件下的预测估计值。ANN预测经过实验验证，预测误差低于3.5%。因此，本研究的贡献在于将已建立的分析和人工智能技术实验验证并应用于L-PBF Ti-6Al-4V植入物板表面和尺寸特性的多响应优化与预测。

本研究的框架如图1所示。首先，通过改变三个主要工艺参数——激光功率、扫描速度和光斑间距——基于田口L9正交表，使用L-PBF工艺制造Ti-6Al-4V植入物板。然后对制造的样品进行表征，确定TFSR、ICCR、EHD、IHD和V ED。随后，采用GRA将多个响应转化为单一灰色关联度并确定工艺参数的最优组合。通过额外制造的样品对GRA获得的最优参数组合进行实验验证。此外，开发了一个ANN模型，以工艺参数作为输入，以测量的响应作为输出，预测相应的响应值。使用百分比误差比较实验和ANN预测结果以评估预测准确性。最后，提出的田口-GRA-ANN框架用于建立L-PBF工艺参数与Ti-6Al-4V植入物板的Ra、孔尺寸精度和V ED之间的关系。

**部分摘录**

**钛合金粉末**

Ti-6Al-4V粉末的化学成分见表1。粒径为42.6 μm、球形粉末形状的钛Ti-6Al-4V粉末用于打印研究试样。

霍尔流动速率测量是指50 g粉末通过标准漏斗所需的时间。高品质球形Ti-6Al-4V粉末的霍尔流动速率为32.16 s/50 g。球形Ti-6Al-4V粉末的堆积密度为2.44 g/cm3，为商用气雾化Ti-6Al-4V合金粉末。

**顶面平面和圆孔Ra分析**

图5展示了使用光学轮廓仪对所有L-PBF制造样品（S1~S9）测量的3D表面形貌结果。每个试样分析了两个区域：TFSR（a1~a9）和ICCR（b1~b9）。选择这两个区域是为了比较开放平面与受限曲面之间的表面质量差异，这对于含有内孔的部件非常重要。Ra使用Ra进行评估，TFSR和ICCR的测量值见表4。

**结论**

本研究确定了L-PBF工艺中影响Ti-6Al-4V合金材料植入物板的顶面Ra、内孔曲线粗糙度和孔直径尺寸的激光功率、扫描速度和光斑间距参数的最优组合。使用GRA和ANN对工艺参数进行优化和预测。本研究的研究结果讨论如下。

?本研究调查了Ra（顶面和内孔）、外孔和内孔

**致谢**

作者M.

Marichamy（高级研究学者）谨此感谢全印度技术教育委员会（AICTE，印度新德里）根据 AICTE 博士奖学金（ADF）计划提供的财政支持。CRediT 作者贡献声明 M. Marichamy：撰写 – 初稿、验证、方法学、调查研究、形式分析、概念构思、撰写 – 审阅与编辑。K. Chockalingam：撰写 – 审阅与编辑、验证、指导、调查研究。N. Arunachalam：撰写 – 审阅与编辑、验证、形式分析。S. Umar Sherif：撰写 – 审阅与编辑、验证、形式分析。利益冲突声明 作者声明不存在已知的可能影响本文所报告工作的相互竞争的经济利益或个人关系。致谢 作者感谢印度理工学院马德拉斯分校（IIT Madras）机械工程系制造工程实验室，对样品进行 3D 打印以及表面粗糙度和几何偏差测量工作。M. Marichamy|K. Chockalingam|N. Arunachalam|S. Umar Sherif