基于神经网络(Neural Network)的Inconel 718激光粉末床熔融(Laser Powder Bed Fusion, LPBF)工艺参数优化

《Journal of Manufacturing and Materials Processing》：Neural Network Enabled Process Parameter Optimization for Laser Powder Bed Fusion of Inconel 718

　　

激光粉末床熔融(Laser Powder Bed Fusion, LPBF)是一种广泛应用的金属增材制造(Additive Manufacturing, AM)工艺，可制备具有高强度复杂几何构件。然而，由于复杂的热力学行为与工艺变异性，获得无缺陷零件仍具挑战。构件质量主要由熔池(melt-pool)形貌决定，其受激光功率、扫描速度和层厚等关键工艺参数影响。参数选取不当会引发气孔（keyhole及未熔合(lack of fusion)）、球化(balling)及残余应力等缺陷，损害结构完整性。优化这些参数至关重要但因工艺的多尺度、多物理场特性而困难重重，传统方法依赖昂贵耗时的实验试错。研究人员提出了一种数据驱动方法，利用机器学习(Machine Learning, ML)模型预测并优化LPBF熔池特征，减少试错实验依赖。研究人员发现激光功率和扫描速度主导熔池形成，较高扫描速度产生更优熔池，而低扫描速度下过高激光功率导致深keyhole缺陷。为高效预测和分类熔池，部署了多项ML模型，包括逻辑回归、决策树、集成学习及全连接神经网络(Fully Connected Neural Network)。标准神经网络取得最高交叉验证宏F1值(macro-F1 score)为0.978 ± 0.014，而加权神经网络(Weighted Neural Network, WNN)对稀有的最优熔池类别取得最高召回率(recall)为0.967 ± 0.050。结果表明类别加权学习为识别合适LPBF工艺窗口提供了面向高召回率的策略，且避免过度依赖单一训练—测试集划分性能。该发现强调了ML在准确分类LPBF熔池以快速识别最优工艺参数方面的有效性。

论文解读：基于神经网络(Neural Network)的Inconel 718激光粉末床熔融(LPBF)工艺参数优化

研究背景与意义

激光粉末床熔融(Laser Powder Bed Fusion, LPBF)是金属增材制造(Additive Manufacturing, AM)领域应用最广泛的工艺之一，可成形复杂几何形状且力学性能符合工业标准。然而，LPBF成形件常出现与设计规格不符的偏差，复杂几何结构尤其易产生缺陷，导致尺寸精度下降及零件完整性受损。构件质量主要取决于熔池(melt-pool)形貌，而熔池受激光功率、扫描速度(scan speed)、 hatch间距(hatch space)及层厚(layer thickness)等超过130个工艺参数共同调控。当激光能量密度过低时进入传导模式(conduction mode)，熔池过浅引发未熔合(lack of fusion)孔隙及球化(balling)缺陷；能量密度过高则产生keyhole模式，深蒸气腔塌陷形成keyhole气孔。介于二者之间的过渡区为最优熔池( suitable-size melt pool / Green类)区域，可获得近全致密无缺陷零件。传统全因子实验设计(Design of Experiments, DoE)成本高昂，高保真多物理场仿真计算量大，且参数优化对设备、粉末特性及构件几何敏感，变更任一项均需重新实验。因此，亟需一种低成本、高效率的方法快速识别LPBF最优工艺窗口。本研究以Inconel 718（IN718，镍基高温合金）为对象，结合经实验验证的物理仿真与机器学习(Machine Learning, ML)分类器，建立从工艺参数直接映射到熔池熔化区类型的代理模型(surrogate model)，以实现工艺参数快速筛选与优化。该论文发表于《Journal of Manufacturing and Materials Processing》。

主要关键技术方法

研究人员采用商用软件ANSYS 2022 R2中的弱耦合热力求解器(thermo-mechanical solver)模拟IN718单道(single-track)激光扫描熔池尺寸（深度、宽度、长度），粉末床等效为均匀吸收—散射介质并采用有效热物性参数，忽略离散颗粒几何以降低成本。仿真参数范围：层厚10–100 μm、激光功率50–500 W、扫描速度400–1800 mm/s，生成1499组仿真数据。取熔池中段稳定段中位数值计算中值深度、宽度、长度及深宽比(aspect ratio = depth/width)，依据物理判据将熔池划分为四类——Class 0 最优熔池(Green，无缺陷)、Class 1 未熔合区(Yellow)、Class 2 球化区(balling zone, Orange，熔池长度 > 2π×光束半径)、Class 3 keyhole区(Red，深宽比 > 1.0且参考深度 > 0)。构建输入特征为激光功率、扫描速度、层厚的三维数据集，标签为四类熔池区。采用分层重复5折交叉验证(10次重复)评估模型，对比逻辑回归、朴素贝叶斯、决策树、随机森林(Random Forest)、极端随机树(Extra Trees)、梯度提升(Gradient Boosting)及全连接神经网络——含标准交叉熵损失的标准神经网络(Standard Neural Network, SNN)与采用类别逆频率加权交叉熵损失的加权神经网络(Weighted Neural Network, WNN)，重点关注少数类(Green类)的召回率(recall)、精确率(precision)及F1值，以及四类的宏F1(macro-F1)。

研究结果

3.1 方差分析(Variance Analysis)

研究人员通过Shapiro–Wilk检验与Levene's检验判定参数分布非正态且组间方差不齐，故采用Kruskal–Wallis检验进行多组比较，结果显示层厚(H=221.21)、激光功率(H=825.60)、扫描速度(H=427.09)在三组及以上熔池类别间差异均极显著(p < 0.001)。Dunn's事后检验(Holm校正)表明Green类与其余三类多数两两差异显著，仅Green与Yellow类在激光功率上无显著差异(p > 0.05)，符合二者均处于较低激光功率区的物理认知。这表明四类熔池占据工艺参数空间中统计可区分的区域，为ML分类提供理论基础。

3.2 跨模型性能比较(Comparing Performance Across Models)

交叉验证结果表明：SNN获最高宏F1值0.978 ± 0.014，WNN为0.975 ± 0.014；传统模型中Extra Trees与Gradient Boosting宏F1值均为0.950。针对稀有Green类，WNN取得最高召回率0.967 ± 0.050（SNN为0.937 ± 0.069），但WNN的Green类精确率略降至0.901 ± 0.079（SNN为0.950 ± 0.070）。说明WNN通过类别加权损失函数优先降低假阴性(False Negative)，适合工艺窗口初筛以避免遗漏潜在最优参数；SNN整体四分类性能略优。所有模型对多数类balling区(Class 2)识别准确率最高。

3.3 误分类分析(Misclassification Analysis)

混淆矩阵显示SNN误分4个样本（含2个Green类误判为balling），WNN仅误分2个样本且无Green类误判。WNN的两个误分样本分别为：1个balling类(Orange)误判为未熔合(Yellow)，该样本参考深度接近零(0.0014 mm)且长度刚超球化临界值，处两类边界；1个keyhole类(Red)误判为balling，其深宽比 > 1.0且长度超临界值，亦属边界模糊样本。结果表明WNN在最优熔池与缺陷区边界具更好泛化能力。

讨论与结论总结

研究人员指出，本框架区别于以往基于原位传感器或文献汇总实验数据的ML研究，其数据源自单一经实验验证的热力学模型，在IN718参数空间内密集且内部一致，推理时仅需输入激光功率、扫描速度、层厚即可直接预测熔化区类型，免除了重复仿真或在线测量，计算成本极低。框架保留逻辑回归与决策树等可解释基线，并结合非参数统计量化各参数影响。WNN通过类别加权专门应对稀有但关键的Green类不平衡问题，在本研究中实现近完美召回。ML模型在此充当代理分类器，目的并非替代物理判据或发现新阈值定律，而是提供经济高效的LPBF工艺窗口预筛工具。结论如下：LPBF熔池类别在工艺参数空间具统计显著性差异；集成学习与全连接神经网络在熔池区分类中表现优越；SNN获最高整体宏F1值(0.978)，WNN获最高稀有最优熔池类召回率(0.967)，后者更适合以避免漏选为目标的最优工艺窗口识别；所建数据驱动框架可显著减少试错实验，加速IN718及潜在其他合金的LPBF参数优化。未来工作拟纳入hatch间距、扫描策略、预热温度等多变量，融合原位监测数据构建物理—传感混合模型，并拓展至Ti-6Al-4V、SS316L等其他合金。