一种基于动态时间扭曲-迁移学习的方法，用于将聚合物在应力-应变行为方面的知识迁移到金属材料中：这是一种经济可行且具有普遍适用性的增材制造零件质量评估框架

《Advanced Engineering Informatics》：A dynamic time warping-transfer learning approach to transferring knowledge in stress–strain behaviors from polymers to metals: an affordable and generalizable additive manufacturing part qualification framework

针对金属增材制造（AM）零件的高成本和复杂应力应变行为预测难题，提出动态时间规整-迁移学习（DTW-TL）框架，通过DTW算法从多聚合物数据集中筛选最优单源数据集进行迁移学习，有效提升金属零件应力应变预测精度，实验验证其在AlSi10Mg、Ti6Al4V和碳钢上的优越性。

　　

段成龙|吴大忠

美国中佛罗里达大学工程与计算机科学学院机械与航空航天工程系，奥兰多，FL 32816

摘要

在增材制造（AM）中，零件认证确保了增材制造的零件能够一致地生产并在关键应用中可靠地使用。零件认证的一个关键方面是确定增材制造零件的复杂应力-应变行为。然而，传统的零件认证技术，如破坏性测试和无损测试，成本高昂且耗时较长，特别是对于金属增材制造而言。为了解决这一挑战，我们开发了一个动态时间弯曲（DTW）-迁移学习（TL）框架，通过将从低成本聚合物的应力-应变行为中获得的知识转移到高性能、昂贵的金属上，来实现AM零件的认证。具体来说，该框架使用DTW在源域中的多个聚合物数据集中选择与目标域中的金属数据集最相似的一个最佳聚合物数据集，这些聚合物数据集包括尼龙（Nylon）、聚乳酸（PLA）、碳纤维-丙烯腈-丁二烯-苯乙烯（CF-ABS）和树脂（Resin）。然后在一个最佳聚合物数据集上训练长短期记忆（LSTM）模型，并在三个目标金属数据集之一上进行测试，这些金属数据集包括AlSi10Mg、Ti6Al4V和碳钢。实验结果表明，对于AlSi10Mg和Ti6Al4V数据集，选择了树脂数据集作为源域中的最佳聚合物数据集；而对于碳钢数据集，则选择了尼龙数据集。基于单个最佳聚合物数据集训练的DTW-TL模型在预测性能上表现最佳，当目标域为三种金属时，其平均绝对百分比误差为12.41%，平均均方根误差为63.75%，决定系数为0.96，优于没有使用TL的原始LSTM模型以及基于所有四个聚合物数据集训练的TL模型。

引言

增材制造（AM）在航空航天、汽车、能源、国防和医疗行业有广泛的应用[1]、[2]、[3]、[4]、[5]、[6]、[7]。特别是金属增材制造，由于增材制造金属零件具有优异的机械性能[8]、[9]、[10]，在关键应用中至关重要。然而，由于金属增材制造过程中产生的缺陷、机械性能的不确定性以及测试和检验增材制造金属零件的高成本和漫长过程[11]、[12]、[13]，金属增材制造尚未在关键行业中得到广泛应用。因此，一个经济实惠且通用化的零件认证框架对于金属增材制造至关重要，因为它可以验证增材制造的金属零件是否符合所需的设计规范，从而确保这些零件能够一致地复制、扩大生产规模，并在关键应用中可靠地使用[14]、[15]。零件认证通常涉及预测增材制造零件的缺陷和机械性能。确定增材制造金属零件的复杂应力-应变行为是零件认证中的一个关键方面[16]、[17]。然而，用于确定应力-应变行为的传统零件认证技术包括成本高昂、耗时且劳动密集型的破坏性测试和无损测试（NDT）。虽然破坏性测试可以提供非常准确的数据，但昂贵的增材制造金属零件必须在物理测试中被破坏。无损测试技术通过过程和后过程测量技术（如基于传感器的过程监控以及超声波和计算机断层扫描（CT）来检测增材制造的金属零件，而不会造成损坏。然而，无损测试技术成本高昂且耗时。例如，过程监控通常需要昂贵的测量技术，如热成像或原位X射线。

随着人工智能（AI）和机器学习（ML）的最新进展，数据驱动的方法越来越多地被用来高精度和高效地预测增材制造零件的应力-应变行为[18]、[19]、[20]、[21]、[22]、[23]、[24]。虽然传统的神经网络被广泛用于预测应力-应变行为，但其他深度学习技术，如长短期记忆（LSTM）和时间卷积网络（TCN）也越来越被用于预测应力-应变行为。同时，这些ML模型利用了多种输入特征，包括零件几何形状、AM工艺参数、微观结构描述符和原位监控数据[25]、[26]、[27]。然而，一个研究空白是，训练有效的ML模型以用于增材制造金属零件通常需要大量标记数据，这既昂贵又耗时[28]、[29]。具体来说，基于激光的金属增材制造所需的原始金属粉末每公斤成本约为90至600美元。此外，通过金属增材制造制造零件并进行破坏性测试涉及显著的操作成本。因此，为金属增材制造开发一个经济实惠的零件认证框架对AM行业至关重要。

另一个研究空白是，当材料、零件几何形状和工艺条件变化时，大多数传统的ML模型不具备通用性。迁移学习（TL）模型有潜力在数据有限的情况下构建一个通用模型[30]、[31]，以预测增材制造零件的机械性能[32]、[33]、[34]、[35]以及缺陷[36]、[37]、[38]、[39]。据我们所知，关于使用TL预测增材制造金属零件的应力-应变行为的研究非常少。在Yang等人之前的一项研究[40]中，引入了一个跨材料序列到序列框架，通过利用从高强度钢数据中获得的知识来提高铝合金的预测性能。然而，由于金属粉末和机械的高成本，金属系统内的知识转移仍然不是金属增材制造的一个可行解决方案。一个潜在的解决方案是利用从低成本材料（如聚合物）中获得的知识来预测增材制造金属的应力-应变行为，因为常见的聚合物丝材每公斤成本仅为20至50美元。

此外，在TL的背景下，为了在源域数据有限的情况下高效地预训练TL模型，一个挑战是确定应该使用源域中的一个最佳数据集还是多个数据集来进行预训练。在本研究的背景下，挑战是确定应该使用源域中的一个单一聚合物数据集还是多个聚合物数据集来进行预训练。最常见的策略是简单地使用源域中所有可用的数据集来构建多源TL模型[41]、[42]。然而，增加源域中的数据量并不一定能提高预测性能[34]、[43]。实际上，在源域中添加与目标域不太相似的更多训练数据可能会导致预测性能下降[44]、[45]、[46]。因此，从多个源域数据集中选择一个与目标域最相似的最佳源域数据集对于TL模型的预测性能至关重要。为了解决这个问题，可以使用动态时间弯曲（DTW）技术来测量聚合物和金属之间的应力-应变曲线的相似性[47]、[48]。通过捕捉可能因材料类型而显著变化的应力-应变曲线之间的相似性，DTW可以选择源域中与目标域中的金属数据集最相似的一个最佳聚合物数据集。

为了解决上述问题，开发了一个新颖的DTW-TL框架，通过利用从低成本聚合物获得的知识来预测高性能、昂贵金属的应力-应变行为。DTW-TL框架包括四个主要步骤。首先，使用DTW算法识别源域中一个表现出与目标域中的金属数据集最相似应力-应变行为（即最小DTW距离）的单一最佳聚合物数据集。其次，在单个最佳聚合物数据集上预训练LSTM模型。第三，在目标域的训练数据集上对预训练的LSTM模型进行微调。最后，在目标域的测试数据集上测试微调后的LSTM模型。具体来说，源域包含来自四种聚合物的数据，包括尼龙（Ultimaker）、聚乳酸（PLA，MatterHackers）、碳纤维-丙烯腈-丁二烯-苯乙烯（CF-ABS，Push Plastic）和光敏树脂（Resin，Flashforge）。尼龙、PLA和CF-ABS样品是通过熔融丝材制造（FFF）制造的，而树脂样品是通过数字光处理（DLP）制造的。目标域包含来自三种金属的数据，包括AlSi10Mg（3D Systems, Inc）、Ti6Al4V（3D Systems, Inc）和碳钢（B?hler welding）。AlSi10Mg和Ti6Al4V样品是通过激光粉末床熔融（L-PBF）制造的，而碳钢样品是通过线弧增材制造（WAAM）制造的。实验结果表明，在四个聚合物数据集中选择一个最佳聚合物数据集进行训练的DTW-TL模型，其预测性能优于没有使用TL的原始LSTM模型以及基于所有四个聚合物数据集进行训练的TL模型。本研究的主要贡献总结如下：

• (1)
  开发了一个通用的动态时间弯曲-迁移学习框架，通过利用从低成本聚合物获得的知识来预测高性能、昂贵金属的应力-应变行为。
• (2)
  开发了一种基于动态时间弯曲的源域选择方法，用于定量评估源域和目标域数据集之间的应力-应变行为的相似性，并选择源域中与目标域中的金属数据集最相似的单一最佳聚合物数据集。
• (3)
  在包含四种增材制造聚合物和三种增材制造金属的全面数据集上证明了动态时间弯曲-迁移学习框架的有效性。

部分摘录

迁移学习框架

图1展示了利用从低成本聚合物获得的知识来预测高性能、昂贵金属的应力-应变行为的DTW-TL框架。首先，如图1a所示，源域中多种聚合物（即尼龙、PLA、CF-ABS和树脂）的应力-应变曲线（$\epsilon$表示应变，$\sigma$表示应力）与一种金属（即AlSi10Mg、Ti6Al4V或碳钢）的应力-应变曲线进行了比较

增材制造聚合物和金属的机械行为

图3显示了使用不同AM工艺参数制造的尼龙、PLA、CF-ABS、Resin、AlSi10Mg、Ti6Al4V和碳钢样品的应力-应变曲线。每个子图揭示了不同AM工艺参数对应力-应变行为的影响。

四种聚合物根据其应力-应变曲线表现出不同的机械性能，包括刚性、强度和延展性。尼龙样品（图3a）表现出突然的屈服下降，随后是振荡软化

结论

开发了一种新颖的DTW-TL框架，用于通过利用从低成本聚合物获得的知识来预测高性能、昂贵金属的复杂应力-应变行为。使用DTW算法从源域中的多个聚合物数据集中选择一个最佳聚合物数据集。该单一最佳聚合物数据集表现出与目标域中的金属数据集最相似的应力-应变行为

CRediT作者贡献声明

段成龙：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、概念化。吴大忠：撰写——审阅与编辑、可视化、验证、监督、项目管理、方法论、调查、资金获取、正式分析、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究由国防高级研究计划局资助。信息内容不一定反映政府的立场或政策。我们还要感谢刘青阳博士收集了四种聚合物数据集的原始数据。

数据可用性声明

本文生成的数据集和支持其发现的数据可应相应作者的要求提供。