《Materials Science and Engineering: A》：Decoupling microstructural contributions to static and transient mechanical properties of LB-PBF IN718 through microscopy-informed machine learning
编辑推荐：
针对LB-PBF In718合金，系统性地研究六种热处理策略对微观结构（γ'、γ''相、δ相及晶界特征）及力学性能（强度、延展性、应变率敏感性）的影响，结合机器学习模型揭示各相的独立贡献，提出基于δ相晶界调控和γ相保留的新型热处理策略。
普拉纳夫·B·奈尔（Pranav B. Nair）|贾纳维·维卡什·贾因（Jahnavi Vikash Jain）|尼什卡·博杰瓦尼（Nishka Bhojwani）|卡蒂克·阿格尼霍特拉姆（Karthik Agnihotram）|阿希什·库马尔·萨克塞纳（Ashish Kumar Saxena）|维韦克·库马尔·巴恩瓦尔（Vivek Kumar Barnwal）|R.J. 维克拉姆（R.J. Vikram）|K.U. 亚扎尔（K.U. Yazar）
印度泰米尔纳德邦韦洛尔市韦洛尔理工学院机械工程学院，邮编632014
摘要：
通过激光束粉末床熔融（LB-PBF）工艺制造的Inconel 718（IN718）会形成复杂的微观结构，这些结构受到后处理热处理的显著影响。在本研究中，采用了六种不同的热处理策略来调控LB-PBF IN718的微观结构。每种微观结构都具有独特的晶界、碳化物、γ'、γ''和δ相的分布特征。这些样品分别进行了微观结构分析、单轴拉伸试验和应力松弛试验。所得数据集被用于训练机器学习（ML）模型，如随机森林（Random Forest）、XGBoost和岭回归（Ridge Regression），以定量分析微观结构特征对机械性能（如屈服强度、延展性、应变率敏感性和硬度）的影响。在所研究的各种处理方法中，传统的热处理方式（固溶处理+三次时效处理、固溶处理+两次时效处理）获得了优异的机械性能。然而，一种简化的处理方式（直接三次时效处理而不进行固溶处理）也展现了可比的性能，并具有成本优势。机器学习模型证实，γ'和γ''是主要的强度贡献因素，而晶界处的δ相（δ-CBs）虽然提高了强度，但降低了延展性。有趣的是，打印态下的γ（基体）相在直接时效处理后仍然存在，这有助于弥补δ-CBs引起的延展性损失。研究发现了一个新的关键见解：δ-CBs在降低应变率敏感性方面具有积极作用，表明其在蠕变关键应用中具有潜在优势。基于这些发现，提出了一种新的热处理策略，通过控制δ相的细化和沉淀物的分布来平衡强度、延展性和热稳定性。这种综合方法结合了实验结果和机器学习分析，为针对特定应用定制LB-PBF IN718的热处理提供了实用框架。
引言
激光束粉末床熔融（LB-PBF）是一种广泛应用于各种工程领域的合金工艺。其优势在于出色的机械强度、耐腐蚀性、抗氧化性和高温下的热稳定性[1]、[2]、[3]。应用领域包括燃油喷射器、热交换器、航空发动机部件，以及铸件、锻件、粉末冶金和增材制造产品等形式的腐蚀性和结构应用[4]、[5]、[6]、[7]、[8]。因此，在评估LB-PBF-IN718的性能时，不仅需要考虑蠕变或航空发动机相关应用的要求[9]、[10]、[11]，还需要考虑需要兼顾强度和延展性的应用[4]。与传统IN718相比，LB-PBF-IN718中还存在层状结构、碳化物等不同类型的沉淀物，以及熔池边界、拉长晶界、晶界（CBs）等层次化的介观和微观特征，这使得LB-PBF-IN718的微观结构设计成为一项重大挑战[12]、[13]、[14]。
文献研究表明，有许多策略可以通过优化打印工艺参数和扫描策略来获得无缺陷的组件。然而，LB-PBF-IN718技术现已非常成熟，这已不再是问题[1]、[15]。不过，LB-PBF-IN718的机械性能存在较大波动，这主要是由于构建参数、扫描策略以及应力释放、热等静压等后处理步骤的差异所致[7]。此外，打印后的多种热处理方式也是导致性能波动的原因之一[12]、[16]。通常通过在高于1100°C的温度下进行再结晶来破坏LB-PBF形成的独特晶粒结构，以实现等轴晶粒结构和机械性能的各向同性[10]、[17]、[18]。这些热处理的目的是消除LB-PBF后的异质晶粒形态，使其转变为完全等轴的晶粒结构。这种处理后的微观结构中不含CBs和δ沉淀物，但晶粒内部会形成γ'和γ''沉淀物。然而，LB-PBF本身产生的晶粒形态也可以被利用来获得有益的机械性能组合[19]。事实上，过度晶粒生长反而可能降低整体机械性能，因此这种方法在某些应用中并不理想。过去还探索了另一种策略：先在约1040°C（高于δ固溶温度1020°C）进行固溶处理，然后在720°C和620°C进行两次时效处理（DA）[11]、[20]。这些热处理虽然保留了异质晶粒形态，但会大量溶解CBs并形成MC碳化物，且生成的微观结构通常不含δ沉淀物。然而，在某些情况下，选择性地调整δ相的大小和分布反而能带来机械性能优势[21]、[22]。
过去也研究了在δ固溶温度附近进行直接时效处理（无论是否低于该温度），随后利用LB-PBF后形成的过饱和γ基体进行二次时效处理[20]、[21]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]。特别是在约720°C和620°C进行直接时效处理，可以形成γ'和γ''沉淀物并保留CBs[18]、[24]、[25]、[26]。Kuo等人[24]指出，与在930°C时效处理相比，直接时效处理能提高蠕变寿命和延展性，因为后者促进了晶间δ相的形成。Pr?bstle等人[25]发现，直接时效处理的蠕变性能优于含有晶间δ沉淀物的三次时效处理结果，尽管仍不如经过固溶处理后再时效处理的样品。Sanchez等人[26]对采用90°蛇形扫描策略制备的样品进行了直接三次时效处理，在600 MPa和650°C条件下获得了500小时的优异蠕变寿命，超过了传统锻造IN718的性能。不过，这些样品的晶粒内部和晶界中仍含有δ沉淀物。这表明δ沉淀物的作用并非总是有益的，其影响取决于其形态、位置和具体性能要求。
一些研究指出δ沉淀物对IN718的机械性能有负面影响[10]、[31]、[32]，而另一些研究则展示了它们的潜在益处[21]、[22]。前者认为晶粒内部和晶界中过量的δ相会导致过早失效[11]；后者则认为δ沉淀物的完全缺失可能对高温蠕变性能产生不利影响[21]。Gao等人[21]提出，晶界和晶粒内部适量的δ相可以提高高温机械性能。Vikram等人[22]还发现，晶界处的颗粒状δ沉淀物对IN718的蠕变响应有积极作用。此外，δ相在无沉淀物区域的存在可以抑制空洞聚合并延缓蠕变失效[9]。这些发现强调了在设计IN718的热处理方案时仔细评估δ沉淀物的位置、比例和大小的重要性。
尽管有许多研究应用了机器学习（ML）来分析LB-PBF材料，但大多数研究主要集中在预测宏观机械性能（如硬度[33]、[34]、抗拉强度[35]、高循环疲劳[36]、[37]或蠕变寿命[38]），或预测功能性指标（如耐腐蚀性[40]、磨损情况）以及工艺相关特征（如熔池几何形状[34]、密度和缺陷分布[41]、[42]）。尽管这些方法可以提供经验性关联，但它们通常无法直接解释控制性能变化的微观机制[38]。特别是那些系统地利用微观结构特征（如沉淀物数量、晶界特征和晶界特性）来分离它们对特定机械性能影响的方案，在现有文献中较为缺乏。
鉴于之前提到的多种相和微观结构组合，确定最优微观结构可能具有挑战性，试错方法效率较低。因此，利用LB-PBF带来的微观结构多样性，识别适用于不同应用的独特特征组合至关重要。首先，可以通过系统的热处理来分离这些特征对单轴拉伸性能的影响。通过对打印样品进行热处理来获得目标微观结构，每种结构都可以根据其特征进行区分，随后进行微观结构和机械性能的量化分析。然而，准确确定单个特征对特定机械性能的影响颇具挑战性。因此，结合机器学习方法来分离各种因素的影响并预测最优微观结构是一个实用解决方案。本研究采用了一种综合方法，结合了LB-PBF工艺、后处理热处理、微观结构分析和基于机器学习的分析。首先通过不同的热处理路径生成可控的微观结构特征，如过饱和γ基体、晶界、碳化物、δ、γ'和γ''沉淀物，并将其与单轴拉伸性能、硬度和应变率敏感性进行定量关联。随后应用机器学习模型来解释这些微观结构特征对强度、延展性和应变率依赖性行为的相对影响。在此基础上，进一步评估了最佳热处理路径的纳米力学性能。虽然直接进行蠕变测试超出了本研究的范围，但通过比较分析测量得到的微观结构特征和现有文献，可以得出关于蠕变相关行为的定性见解。这些发现为制定针对特定应用的热处理方案提供了指导。
部分内容摘录
粉末原料、打印策略和后热处理
作为原料使用了气雾化EOS镍合金IN718粉末，其粒径分布为20–55 μm。供应商提供的EOS IN718粉末的化学成分见附录A1。使用EOS M290金属3D打印机打印了一个80 mm x 80 mm x 40 mm的Inconel（IN718）块（附录A2）。打印参数包括激光功率285 W、光斑直径40 μm、扫描速度960 mm/s、层厚40 μm以及0.11 mm的阶梯结构微观结构和纹理
打印材料的微观结构和纹理如图1所示。图1b展示了AP材料三个相互垂直平面的光学显微照片。平均熔池深度是从平行于BD的截面测得的，而熔池宽度是从垂直于BD的截面测得的，后者能够更精确地反映横向尺寸。每个样品测量了约10个熔池/轨迹讨论
本研究探索了多种热处理策略，从而在LB-PBF处理的IN718中获得了不同的微观结构。每种微观结构都表现出独特的相组成，以及晶界等形态和特征的变化。这些变化以复杂且有时违反直觉的方式影响了机械性能。这强调了详细分析各个特征以分离它们对机械性能贡献的重要性
结论
对LB-PBF IN718样品进行了系统的热处理，以制备具有独特且可量化特征的微观结构。这些微观结构通过详细的微观结构分析和机械测试（包括纳米压痕）进行了评估，并利用基于实验数据训练的机器学习模型进行了解释。机器学习预测有助于分离各个微观结构特征的影响
CRediT作者贡献声明
阿希什·库马尔·萨克塞纳（Ashish Kumar Saxena）：验证工作。维韦克·库马尔·巴恩瓦尔（Vivek Kumar Barnwal）：资源提供。R.J. 维克拉姆（R.J. Vikram）：撰写、审稿与编辑、可视化、验证、方法论。K.U. 亚扎尔（K U Yazar）：撰写、审稿与编辑、可视化、监督、资源管理、项目协调、方法论、概念化。普拉纳夫·B·奈尔（Pranav B. Nair）：撰写初稿、研究工作、数据分析、方法论。贾纳维·维卡什·贾因（Jahnavi Vikas Jain）：研究工作。尼什卡·博杰瓦尼（Nishka Bhojwani）：研究工作。利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
作者感谢VIT通过VITSEED项目（项目编号SG20230051）提供的财政支持。作者还感谢印度新德里的科学技术部通过“促进大学研究和科学卓越计划”（PURSE，项目编号SR/PURSE/2020/34，TPN 56960）提供的资金支持，以便购买“直接金属激光烧结机”和“纳米压头”并开展本研究。作者还要感谢CIMR（VIT，韦洛尔分校）的Raja Annamalai教授的支持
