《Applied Sciences》：Machine Learning-Based Process Optimization for Directed Energy Deposition of Aerospace Components
编辑推荐：
为解决定向能量沉积(Directed Energy Deposition, DED)固有的实验成本高与数据稀缺问题，本研究提出一种数据高效混合优化框架，用于Inconel 718航空航天构件的精密制造。该框架采用两阶段策略衔接传统实验设计与先进机器学习(ML)
为解决定向能量沉积(Directed Energy Deposition, DED)固有的实验成本高与数据稀缺问题，本研究提出一种数据高效混合优化框架，用于Inconel 718航空航天构件的精密制造。该框架采用两阶段策略衔接传统实验设计与先进机器学习(ML)，即使在有限数据集下也能确保稳健的工艺优化。第一阶段采用田口法(Taguchi Method, L16正交阵列)进行粗粒度筛选以识别有显著影响的控制因子；第二阶段部署全连接神经网络(Fully Connected Neural Network, FNN)耦合贝叶斯优化(Bayesian Optimization, BO)。关键在于，该机器学习组件作为面向优化的趋势代理模型(Trend Surrogate)而非全局回归器(Global Regressor)发挥作用，在极少量数据下成功引导优化。优化后的工艺窗口获得优异的结构完整性，孔隙率(Porosity)低至0.03%。为充分验证其实际效能，研究人员对优化后试样系统地进行了拉伸试验(ASTM E8/E8M)与洛氏硬度测量(ASTM E18)。力学性能表征显示平均抗拉强度约1358 MPa，硬度约40 HRC。最后，通过该框架在多轴机器人DED平台上成功完成了复杂几何形状航空航天发动机燃烧室壳体的增材制造，实现了实验室尺度优化与真实工业应用之间的衔接。
论文解读：面向航空航天构件定向能量沉积(DED)的基于机器学习工艺优化
一、研究背景与意义
定向能量沉积(Directed Energy Deposition, DED)是航空航天领域重要的增材制造(Additive Manufacturing, AM)技术，常用于Inconel 718高温合金近净成形及高价值零件修复。传统统计方法如Taguchi法虽能初步筛选参数，但难以捕捉DED过程中高度非线性、多维响应的复杂特性；而深度学习等数据驱动方法虽具潜力，却受限于DED实验成本高昂导致的数据稀缺问题，难以直接用大量样本训练全局回归模型。为此，研究人员开展了融合Taguchi粗筛、全连接神经网络(Fully Connected Neural Network, FNN)代理模型与贝叶斯优化(Bayesian Optimization, BO)的混合框架研究，旨在极少实验样本下实现DED工艺窗口的精细寻优。该成果发表于《Applied Sciences》，对降低高性能超合金构件试错成本、推动智能工艺决策具重要工程价值。
二、主要关键技术方法
研究人员选用Inconel 718为沉积材料，采用机器人臂式DED系统开展实验。首先通过单道及单层多道熔覆试验确定激光功率、粉末进给速率、扫描速度、Z轴增量(Z-offset)及搭接率为控制因子，各取四水平，按Taguchi L16正交阵列开展16组实验，以横截面金相显微图像法结合ImageJ定量测定孔隙率(Porosity)。其次，将Taguchi所得参数边界作为物理约束嵌入BO搜索空间。以RobustScaler标准化五维输入特征并进行物理意义的特征工程(引入功率密度、线能量、沉积体积效率等)。构建含L1/L2正则化、Dropout及残差连接的全连接神经网络(FNN)作代理模型，用K折交叉验证与早停防过拟合；利用贝叶斯优化分两步——先调优FNN超参数(隐层神经元数、学习率、正则系数等)，再在约束的五维参数空间内寻优使预测孔隙率最小。最后对优化试样按ASTM E8/E8M与ASTM E18标准做室温拉伸与洛氏硬度测试，并在多轴机器人DED平台沉积发动机燃烧室壳体验证工业适用性。部分结果辅以加权集成(Wighted Averaging Ensemble)模型对比。
三、研究结果
3.1. Computational Framework and Hyperparameter Optimization
研究人员在Python环境中基于PyTorch与Scikit-optimize搭建FNN-BO双阶段框架，限定隐层最大32神经元、学习率10?5~5×10?3。BO先优化FNN架构最小化损失函数，再用调优模型搜索五因素控制空间获最小孔隙率参数组合。
3.2. Performance Analysis Across Different Spot Sizes
按激光光斑直径(大3.0 mm、中1.5 mm、小0.75 mm)分组分析。大光斑组FNN决定系数(R2)达0.42，最优参数(激光功率1751.52 W、搭接率30.13%、扫描速度12.00 mm/s)实测孔隙率低至0.03%，表明大熔池下五因素与孔隙率关系较易被FNN学习。中、小光斑组虽实测优化孔隙率可低至0.01%，但R2为负值，归因于小光斑下控因影响更复杂非线性且样本少；研究人员指出本框架中FNN-BO仅需趋势导向代理(Trend-oriented Surrogate)保留参数组合相对排序与宏观走向以引导采集函数(Acquisition Function)，不必完美全局回归，故负R2不影响优化收敛有效性。经验证优化后孔隙率多低于0.1%，横截面金相显示高密度熔覆层无明显孔洞。
3.3. Feature Engineering and Multi-Objective Optimization
通过Pearson、Spearman、互信息(Mutual Information, MI)、距离相关(Distance Correlation, dCor)及最大信息系数(Maximal Information Coefficient, MIC)进行特征相关性分析，合成具物理含义的特征(功率密度Power Density、线能量Linear Energy、沉积体积效率Efficiency Deposition Volume等)提升模型判别力。为克服小样本不稳定性，采用高斯过程回归(Gaussian Process Regression, GPR)、支持向量回归(Support Vector Regression, SVR)、随机森林(Random Forest, RF)、Lasso及梯度提升回归(Gradient Boosting Regression, GBR)的加权集成，相对密度预测R2提升至0.4499。以加权集成为代理用BO做多目标优化获帕累托前沿(Pareto Front)：3.0 mm大光斑窗口为激光功率1676.5–1863.5 W、扫描速度7.2–8.0 mm/s，预测相对密度>98.6%、熔覆效率68%–72%；1.5 mm与0.75 mm光斑虽孔隙率预测不确定度高，仍寻得参数区间使预测孔隙率≈0.001%且相对密度>97.8%。帕累托分析显示相对密度与熔覆效率在一定区域可协同改善，而最低孔隙率常需牺牲部分熔覆效率。
3.4. Limitations and Future Work
受样件消耗与成本限制仅完成初步拉伸(~1358 MPa)与硬度(~40 HRC)测试验证力学完整性，未系统做SEM/EBSD/XRD微观组织表征及残余应力测定；未来将补充工艺-组织-性能关系研究、模型预测孔隙率的独立实验校验及更广工艺包络下框架鲁棒性验证。
四、讨论与结论翻译
本研究成功开发并验证了用于Inconel 718发动机燃烧室壳体DED成形的混合优化框架。主要结论如下：(1)方法论融合：Taguchi初筛联合FNN代理与BO细粒度寻优较单纯Taguchi更稳健；(2)系统特征工程：通过多统计量阐明输入与熔覆质量间非线性依赖，合成功率密度及沉积体积效率等物理量提升可解释性与预测保真度；(3)加权集成改善小样本预测性能；(4)多目标优化结果：3.0 mm光斑获高密高熔覆效率窗口(1676.5–1863.5 W, 7.2–8.0 mm/s)，小光斑亦寻得近零孔隙(0.001%)参数且相对密度>97.8%；(5)帕累托前沿揭示相对密度与熔覆效率具协同区，最低孔隙率与高效率间存在权衡。该混合框架显著降低实验负担同时最大化沉积质量，为航空航天高性能构件智能增材制造提供可靠决策工具，框架具材料扩展性但代理模型性能依赖材料专属数据与特征工程，后续将拓展至其他镍基高温合金及更复杂工业场景验证。
