基于体素的增材制造自动化生命周期评价框架：以激光粉末床熔融为例

《Cleaner Engineering and Technology》：Voxel-based automated life cycle assessment framework for additive manufacturing: a case study on laser powder bed fusion

　　

增材制造（AM）需要能够快速响应零件几何形状和工艺参数变化的环境评估方法。传统生命周期评价（LCA）耗时且依赖专家，而零件级预测模型可能依赖特定几何形状的训练数据。本研究提出了一种基于体素的自动化LCA（VLCA）框架，将标定从单个零件几何形状转移到参考体素。该框架以1 mm³体素为功能单位，预测体素级工艺时间和环境影响。通过闭式关系式利用零件体积和高度将这些预测映射到零件级影响。激光粉末床熔融（LPBF）案例研究在门到门边界下使用了225个体素案例和12个实体验证零件。参考影响通过EOS Build模拟、过程清单和SimaPro中的生命周期影响评价计算得出。影响以100年全球变暖潜势表示。零件级绝对百分比误差在12个几何形状上范围为0.04%至2.32%，在扫描速度变化下为1.66%至2.05%。结果表明，在标定的工艺参数范围内，无需几何形状特定的再训练即可对实体LPBF零件进行快速环境筛选。

温室气体（GHG）排放已达到前所未有的水平（2019年约60 Gt CO₂-eq），主要由化石燃料燃烧和工业过程驱动。在此背景下，增材制造（AM）作为传统制造的有前景替代方案受到关注，其潜在环境优势包括更高的材料利用率、减少废料、几何自由度支持的轻量化设计以及零件整合。然而，AM的净环境性能取决于场景，并受工艺类型、扫描策略和工艺参数设置（如激光功率LP、扫描速度SS、扫描间距HD、层厚LT和构建方向）的支配。传统LCA需要大量专业知识、人工投入和时间，构建和验证生命周期清单（LCI）依赖专家知识和手工数据处理，在AM设计早期阶段尤为受限。自动化LCA方法已被提出以从制造数据中提取LCI，但现有数据驱动实现通常将几何信息嵌入设计或零件级特征向量中，模型强烈依赖于训练数据集中所代表的几何形状，且随工艺条件变化频繁再训练增加了操作负担。

为解决上述局限，研究人员提出了基于体素的自动化LCA（VLCA）框架。该框架以体素为功能单位，包含三个阶段：（i）体素级数据提取；（ii）使用基于物理的最小回归进行体素级输出预测；（iii）闭式体素到零件扩展。体素作为参考制造单元而非目标零件的空间离散化。扩展由工艺时间缩放原理支配，即主工艺时间（材料添加/能量输送/凝固）和逐层辅助时间分别假定随加工体积和构建高度线性变化。几何形状由体积和高度两个描述符概括，而非高维形状特征。LPBF案例研究使用了225个体素案例和12个实体验证零件。参考影响通过EOS Build模拟和SimaPro中的LCA建模计算。因此，所报告的精度代表与模拟信息参考的一致性，而非验证零件的直接测量。

在技术方法方面，研究人员采用EOS Build 2.13进行构建时间模拟以获得激光曝光时间和铺粉时间，使用SimaPro 9.6.0.1结合ecoinvent v3.9.1数据库和IPCC 2021 GWP100方法进行生命周期影响评价。以Nikon SLM 280 LPBF系统的单激光配置为参考系统。工艺参数按全因子网格设计225种组合（LP：150、250、350 W；SS：300、550、800、1050、1300 mm/s；HD：0.04、0.06、0.08、0.10、0.12 mm；LT：0.02、0.04、0.06 mm）。通过10 mm × 10 mm × 1 mm板件的标准化模拟程序推导1 mm³参考体素的激光曝光时间。采用二阶多项式岭回归建模校准因子和体素级环境影响。验证使用12个实体几何形状（3个简单形状和9个应用相关零件）以及扫描速度扫描。

研究结果方面，在体素级数据描述性分析中，激光曝光时间分布右偏，均值和单位数分别为0.846和0.640 s；铺粉时间由层厚支配，呈三个离散水平，均值为317.53 s；主工艺GWP100分布轻微右偏，均值和单位数分别为0.327和0.267 kg CO₂-eq。在阶段模型评估与验证中，激光曝光时间模型结合体积构建速率表达式与学习的校准因子，在独立测试集上R² = 0.9999，MAPE = 0.4585%；铺粉时间模型以数值精度再现模拟值；体素级环境影响最终模型为二阶多项式岭回归，在独立测试集上R² = 1.0000，MAPE = 0.0079%。在体素到零件扩展验证中，对于三个简单几何形状（相同体积但不同形状和高度），APE平均为0.35%，最大为0.79%；对于九个应用相关零件，MAPE为0.96%，最大APE为2.32%。符号误差与零件体积呈最强正Pearson相关（0.90），表明较大体积下低估程度更大。在工艺参数适应性方面，以夹具几何形状检查扫描速度变化下的适应性，MAPE为1.81%，最大误差为2.05%。

讨论部分指出，在体素级，模型保持了基于物理的结构同时保持简约性，激光曝光时间和体素级环境影响均达到R² > 0.999且MAPE < 1%。独立十二零件评估支持将相同模型和缩放关系应用于测试的实体几何形状而无需几何形状特定再训练。残差分析揭示了预测误差与零件体积之间的系统关系，激光时间误差在体素级对GWP100影响有限因为铺粉主导构建时间，但在体素到零件扩展过程中激光曝光时间随体积缩放而铺粉时间随高度缩放，因此激光时间残差对零件级预测误差的贡献可能随零件体积相对于高度的增加而增大。EOS Build检查还显示初始1–3层激光曝光时间约为两倍，可能对与体积的正相关有所贡献。通过八隅体桁架点阵（40 mm × 40 mm × 40 mm包围盒，约为相应实体体积的20%）进一步检验了体积–高度抽象的局限性，VLCA预测零件级GWP100为16.27 kg CO₂-eq而模拟信息参考为15.59 kg CO₂-eq，APE约为4.36%；在相同工艺参数下EOS Build给出的点阵激光曝光时间为2371.94 s而相同体积和高度的实体几何形状为3655.41 s，点阵的模拟激光曝光时间比实体对应物短约35.1%，当前的缩放关系无法区分这种拓扑依赖行为。薄壁、支柱主导、点阵、多孔和支持结构因此仍在验证域之外。参考体素定义了1 mm³的归一化体积和1 mm的参考高度，不代表目标几何形状的空间分辨率，这些尺寸是为方便归一化而选择的而非通过体素尺寸优化。基于模拟的工艺时间支持构建前筛选，但所报告的精度涉及EOS Build导出的参考结合已发表的实验测量SLM 280 LCI数据，而非验证零件的直接测量，模拟器误差和恒定56.9%激光壁插效率等假设可能传播到预测中。本研究通过保留测试、交叉验证、零件级APE和残差分析量化了预测误差但未对完整VLCA链进行形式化不确定性传播分析。案例研究考虑了单台机器、单一扫描策略和门到门边界下的实体零件，缩放应在多激光配置、替代扫描策略和其他AM工艺中重新验证。虽然重点为IPCC 2021 GWP100，电力和氩气在体素级量化并用作LCIA输入，可使用ReCiPe、CML和TRACI等方法评估其他影响类别。

结论部分翻译如下：本研究开发了LPBF的VLCA框架，定义1 mm³体素为功能单位，耦合基于物理和分析的工艺时间模型、基于回归的体素级环境影响模型以及闭式体素到零件缩放。通过将参考体素标定与基于零件体积和高度的分析关系相结合，该框架能够在标定的工艺参数窗口内无需几何形状特定的模型再训练即可从[体积和高度]估计零件级GWP100。体素级模型使用225种工艺参数组合开发，体素到零件扩展使用12个实体验证几何形状单独评估。零件级APE在这些几何形状上范围为0.04%至2.32%，在扫描速度变化下为1.66%至2.05%。这些结果支持在研究中的门到门边界下对实体LPBF零件进行早期阶段环境筛选。所报告的精度代表与从EOS Build和LCA建模获得的模拟信息参考的一致性，而非直接制造测量。然而，八隅体桁架比较表明当前体积–高度抽象未捕捉低密度点阵结构中拓扑依赖的激光曝光行为，此类几何形状因此仍在当前框架的验证域之外。构建时间和电力消耗的直接实验验证、形式化不确定性传播以及对额外几何形状和LPBF配置的专门验证是建立更广泛适用性的优先事项。