通过X射线计算机断层扫描追踪个体缺陷，洞察选区激光熔化IN718中的损伤演化

《Journal of Manufacturing Processes》：Insights into damage evolution in SLM IN718 by tracking individual defects through X-ray computed tomography

　　•一种自适应坐标算法能够在拉伸加载过程中追踪单个缺陷。
•缺陷演化行为与形态学及环境参数相关。
•缺陷引起的损伤与形态学及环境参数相关。
•基于缺陷特征的GPR模型能够预测缺陷引起的损伤。

引言

增材制造（AM）技术近几十年来引起了广泛关注，其优势在于设计灵活性高、材料浪费少，能够制造复杂几何形状的构件[1]。在这些技术中，选区激光熔化（SLM）是一种成熟的增材制造方法，因其在制造具有良好力学性能、复杂几何形状和表面质量的近净成形零件方面具有突出优势，已被众多行业广泛采用[2,3]。SLM是一种粉末床熔融（PBF）工艺，高功率激光根据预设扫描策略逐层选择性熔化金属粉末，目前已用于制造多种金属材料，包括镍基高温合金[4,5]、钛合金[6,7]、不锈钢[8,9]和铝合金[10,11]。

然而，在SLM过程中，激光与材料之间的复杂相互作用会导致内部缺陷的形成，例如未熔合孔（LOF）、匙孔（KH）、气孔（GEP）和裂纹[12,13,14]。尽管在优化增材制造工艺方面已投入大量努力，包括细化工艺参数（如激光功率、扫描速度和层厚）、扫描策略和建造方向，但这些微观缺陷的完全消除尚未实现[15,16]。因此，大量研究致力于阐明这些缺陷对构件力学性能的影响，揭示了缺陷是材料变异性和性能不一致性的主要来源[17,18,19,20]。然而，这些研究主要集中于分析断裂试样中的损伤特征，而对加载过程中缺陷演化及其对损伤累积贡献的全面认识仍然有限。

X射线计算机断层扫描（XCT）能够对材料内部结构进行非破坏性三维（3D）成像，空间尺度从米级到数十纳米级[21]。因此，近年来在增材制造领域的缺陷分析中得到广泛应用[22]。此外，结合原位或非原位试验，XCT能够为加载过程中单个缺陷的演化和空间相互作用提供有价值的见解。近期研究表明，材料失效主要由加载过程中关键缺陷的持续演化驱动，这凸显了监测这些缺陷对预测失效的重要性[23,24,25,26]。在此背景下，通过原位或非原位XCT研究形成了两个主要方向。

一方面，大量工作致力于识别导致材料失效的关键缺陷。例如，Javad Samei等人提出，对于SLM制造的Cu-Sn合金，大于40μm的缺陷更容易发生合并和裂纹萌生[27]。Chen等人通过原位XCT证明，匙孔对Ti-6Al-4V合金的拉伸性能影响极小，而更不规则的未熔合孔则导致显著性能退化[28]。此外，Wang等人提出，聚集的匙孔是Inconel 718合金（IN718）裂纹萌生的关键前兆[29]。

另一方面，在基于关键缺陷特征（如尺寸、形貌和位置）预测材料力学性能方面取得了显著进展[30,31,32]。例如，Wu等人基于3D XCT图像建立了关键缺陷与疲劳寿命之间的关联[33]，最终通过物理信息神经网络（PINN）模型实现疲劳寿命预测[34]。他们进一步建立了关键缺陷排序函数（CDRF）来预测导致疲劳失效的关键缺陷，该函数与疲劳寿命表现出强相关性[35]。

值得注意的是，现有研究主要集中于特定缺陷演化的统计或定性分析，而关键缺陷的判定主要依赖于通过断裂分析进行人工追踪。通常情况下，关键缺陷在加载过程中与邻近缺陷相互作用并累积损伤，最终导致断裂。然而，在缺乏对其演化行为和损伤累积全面认识的情况下，确定在更广泛的缺陷群体中哪个缺陷会变成关键缺陷是困难的。

为克服这一局限，需要在加载过程中追踪每一个可检测到的缺陷。与局限于代表性缺陷的分析不同，全群体追踪能够定量重建单个缺陷的演化和损伤累积，从而为从初始特征识别高风险缺陷奠定基础。

Xu等人[36]最近提出了一种基于图像的方法，将缺陷视为3D点云并评估其形貌和局部环境相似性。该算法即使在试样发生显著变形时仍保持较高的追踪精度（TRA）。例如，在增材制造316L奥氏体不锈钢的断裂状态（延伸率=58.9%）下，TRA值达到93.4%。然而，点云匹配策略计算量大，导致缺陷追踪处理时间较长，尤其是对于大体积数据集。

Lecarme等人[37]的另一项开创性工作采用了基于图的方法来追踪拉伸加载下的缺陷。该算法通过追踪缺陷质心的微小偏移和缺陷体积变化（增长或减少少于3个体素）来匹配相邻拉伸状态下的缺陷。尽管其研究未讨论追踪精度，但该算法很可能适用于变形有限的试样，例如热处理态增材制造IN718合金（通常延伸率低于20%）[38,39]。然而，该算法依赖于预定义的匹配阈值，如允许的缺陷体积减小量，这些阈值在整个追踪过程中保持不变，可能不适用于缺陷演化逐渐加剧的不同变形阶段。

通过在整个拉伸加载过程中追踪单个缺陷，Xu等人重建了断裂形貌，并证明缺陷的渐进生长和合并最终形成了断裂路径[36]。此外，他们基于每个拉伸状态下缺陷的形貌和环境交互参数进行了K-means聚类，以区分与断裂相关的缺陷和非断裂相关的缺陷。然而，该方法在初始状态下的能力有限，无法仅从初始特征识别关键缺陷。研究表明，在拉伸加载下引起更大损伤的缺陷更有可能引发最终断裂[26,40]。因此，识别关键缺陷的另一种方法是评估拉伸加载下的缺陷损伤，并利用机器学习方法基于缺陷特征进行预测。

在各种机器学习方法中，高斯过程回归（GPR）是一种贝叶斯非参数方法，能够推断可能函数上的概率分布[41]。它在小数据集非线性回归问题上表现出优异性能，已广泛应用于众多领域[42,43,44]。例如，Gao等人提出了一种基于GPR的金属材料剩余疲劳寿命预测方法，显示出较高的预测精度[45]。此外，GPR能够同时提供输出值和相关不确定度的估计[46]。因此，GPR方法能够基于缺陷的几何参数预测缺陷引起的损伤。

本研究利用非原位XCT研究了SLM IN718合金在拉伸加载下缺陷的动态演化和损伤累积。开发了一种自适应坐标追踪算法，在整个拉伸过程中追踪单个缺陷。随后，分析了缺陷演化行为（如合并、独立生长和最小生长）与其形貌和环境参数之间的关联。此外，研究了缺陷特征对缺陷损伤的影响，建立了GPR模型以捕捉初始缺陷特征与损伤累积之间的复杂关系。本研究为定量关联缺陷特征与相应的损伤累积提供了关键见解，为在更广泛的缺陷群体中预测关键缺陷提供了方法论框架。

章节片段

试样制备

本研究采用气雾化IN718合金粉末制备SLM试样，通过电感耦合等离子体原子发射光谱（ICP-AES）获得的化学成分列于表1。图S1(a)展示了粉末颗粒的准球形形貌。粉末的激光衍射分析（图S1(b)）显示粒径分布，平均直径约为35μm，其中90%的颗粒在10–60μm范围内。

缺陷对拉伸性能的影响

BL试样的光学显微照片显示若干近球形缺陷，对应二维孔隙率为0.083%（图S2(a)）。相比之下，PS试样表现出更高的二维孔隙率0.279%，且包含若干大尺寸不规则缺陷（图S2(b)）。这些测量表征了所检视截面内的局部孔隙率，并未直接确定任一试样的总体体积孔隙率。尽管如此，它们揭示了两者的二维孔隙率差异以及

缺陷演化行为与形貌/环境参数之间的关联

多项研究表明，缺陷的形貌和环境交互参数是驱动损伤演化的主要因素，其中缺陷尺寸、形貌、取向和位置是描述裂纹萌生缺陷的常用指标[30,34,36]。因此，这些参数也可能与缺陷的不同演化行为相关。图9展示了缺陷演化行为相对于形貌参数的分布

结论

本研究利用非原位XCT研究了SLM制造IN718合金在拉伸加载下内部缺陷的演化。提出了一种自适应坐标追踪算法，从初始状态到裂纹萌生状态追踪单个缺陷。全面分析了缺陷演化行为和缺陷损伤与缺陷几何参数之间的关系。此外，建立了高斯过程回归（GPR）模型。

CRediT作者贡献声明

Jiasheng Liu：写作——初稿，可视化，方法学，调查，数据管理。Tianshuo Yang：调查，数据管理。Yongjia Zheng：方法学，调查。Yibin Mao：可视化。Shuoang Cao：方法学。Fanqiang Meng：写作——审阅与编辑，验证，监督，资源。Zhou Zhou：写作——审阅与编辑，监督，资源，方法学，概念化。

利益冲突声明

作者声明无已知的利益冲突或个人关系影响本文工作。

致谢

作者感谢Yuchun Ji（中国桂林理工大学）进行XCT检测。作者感谢国家自然科学基金（资助号52271126）和广东省创新创业团队计划（资助号2021ZT09L227）的资助。

Jiasheng Liu|Tianshuo Yang|Yongjia Zheng|Yibin Mao|Shuoang Cao|Fanqiang Meng|Zhou Zhou