基于深度学习预测冷喷涂工艺中金属键合行为的框架研究及其在沉积质量优化中的应用

《Surface and Coatings Technology》:A deep learning framework for predicting metallic bonding in the cold spray process

【字体: 大 中 小 】 时间:2026年04月25日 来源:Surface and Coatings Technology 5.4

编辑推荐:

  本文针对冷喷涂工艺中关键速度预测依赖耗时实验与有限元模拟的问题,提出一种基于深度学习的框架,通过有限元生成的大规模数据集训练人工神经网络,实现粒子-基体界面键合状态的精准预测与临界速度的数据驱动估计,误差小于12?μm2,为工艺优化与涂层质量评估提供了高效、可靠的新途径。

  
在增材制造与表面工程领域,冷喷涂(Cold Spray, CS)技术凭借其固态沉积特性脱颖而出——它无需熔化金属颗粒,从而避免了高温引发的氧化、相变等棘手问题。不仅如此,该工艺不产生有害烟雾,还能修复受损部件,可谓兼具环保效益与工程价值。然而,要想充分发挥其潜力,必须精确调控沉积质量,而其中最关键的一环便是“临界速度”(critical velocity)。只有达到或超过这一速度,金属颗粒撞击基体时才能形成有效的冶金结合。遗憾的是,确定临界速度的传统手段,无论是大量的实验试错,还是基于有限元方法(Finite Element Method, FEM)或分子动力学(Molecular Dynamics, MD)的数值模拟,都异常耗时耗力,成为制约工艺快速开发和优化的瓶颈。
在此背景下,由Jash Rana、Saeed Rahmati、Ali Dolatabadi和Chandra Veer Singh组成的研究团队,在《Surface and Coatings Technology》上发表了一项创新研究。他们巧妙地绕过了传统困局,转而向人工智能寻求解决方案。其核心思路是:既然物理模拟能提供精确但昂贵的键合数据,何不利用这些数据“喂养”一个机器学习模型,让它学会预测键合行为,从而快速、廉价地估计临界速度与沉积质量?这项研究正是构建了这样一个融合物理模拟与深度学习的前沿框架。
研究人员为开展此项研究,主要运用了以下几项关键技术方法:首先,利用ANSYS LS-DYNA软件建立了三维单颗粒冲击的有限元模型,模拟20?μm铝颗粒撞击铝基体的过程,通过改变冲击速度(200-1000?m/s)和材料温度(300-500?K),生成了包含1377个独特案例的数据集。其次,基于冷焊接(Cold Welding, CW)键合准则,开发了后处理Python脚本,对有限元模拟结果进行分析,根据表面扩展因子Ψ和压力等参数,判定颗粒底部界面每个节点的三维键合状态(已键合、已解键合、从未键合)。最后,使用此数据集训练并比较了Lasso回归、XGBoost和人工神经网络等多种机器学习模型,最终构建了一个6层人工神经网络(ANN)来预测键合面积,并采用SHAP(SHapley Additive exPlanations)值进行特征重要性分析。
研究结果
1. 有限元键合模型的验证
研究人员首先验证了其基于冷焊接准则的有限元键合模型的可靠性。模型预测铝-铝系统的临界速度下限约为690?m/s,这与文献中报道的实验和数值模拟范围相符。此外,将模型应用于铜-铜系统所得的颗粒底部键合图案(在颗粒南极形成键合环)与已发表的聚焦离子束-扫描电镜实验观测结果高度一致,证实了该物理模型捕捉真实界面键合现象的能力。
2. 机器学习模型性能
在对比的多种机器学习模型中,6层人工神经网络表现最佳。在测试集上,该模型预测颗粒-基体界面键合面积的误差小于12?μm2,对于已键合、已解键合和从未键合面积的预测,其平均绝对误差(MAE)分别为11.7?μm2、5.47?μm2和20.1?μm2,决定系数R2均高于0.97,显示出极高的预测精度。
3. 模型可解释性与特征重要性
通过SHAP值分析发现,在所有输入特征(冲击速度、颗粒温度、基体温度)中,冲击速度是对所有三种键合状态(已键合、已解键合、从未键合)影响最大的因素。这为工艺参数优化提供了清晰指导:若要提升键合质量,首要关注点是提升颗粒的冲击速度。
4. 临界速度预测与界面演化分析
训练好的人工神经网络能够快速生成“冲击速度-键合面积”曲线。该曲线显示,键合面积在冲击速度达到约690?m/s时开始显著增加,从而确定了临界速度的预测值,与有限元模型结果及文献值吻合。模型还能预测系统温度对键合的影响:在临界速度以上,较高的系统温度会导致更大的界面接触面积和键合面积分数。此外,模型揭示了键合区域的动态演化过程:随着冲击速度增加,键合区域从颗粒底部的环状逐渐向外扩展,而颗粒南极中心区域始终难以形成稳定键合。
研究结论与意义
本研究成功开发并验证了一个集成物理模拟与深度学习的数据驱动框架,用于预测冷喷涂中的金属键合行为和临界速度。该框架的核心贡献在于:其一,它提供了一种高效、准确的临界速度估计方法,避免了传统方法对大量实验或精细数值模拟的依赖,有望加速新材料的工艺开发。其二,训练有素的人工神经网络模型不仅能够预测宏观的键合面积,还能深入揭示界面键合状态的微观分布与演化规律,例如键合区域随速度增长的扩展模式以及温度对解键合行为的影响。其三,通过特征重要性分析,明确了冲击速度是影响键合的最关键工艺参数,这为实际生产中的参数优化提供了直接依据。
这项工作奠定了利用机器学习从颗粒冲击模拟数据中学习并解读冷喷涂沉积过程中“工艺-结构”关系的基础。所提出的框架具备良好的可扩展性,未来可以通过纳入更多材料组合、颗粒尺寸、冲击角度以及多颗粒相互作用的数据,来预测更复杂的涂层性能,最终实现面向特定涂层目标的智能化、定制化冷喷涂工艺设计。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号