《Materials Today Communications》：Theory-Guided Machine Learning for Structural Performance Prediction in Additive Manufacturing: A Unified Review of Models, Gaps, and Future Pathways
增材制造（Additive Manufacturing, AM）使每一沉积层都经历极其严酷的热循环。激光或电子束将熔池加热至超过2000°C，并在毫秒内撤离，使材料以高达106 K s-1的速率冷却。在单个构件中，这种事件重复数百万次，从而产生与铸造或锻造完全不同的微观结构、残余应力和孔隙分布。纯粹数据驱动的机器学习难以在其训练条件之外可靠地外推；基于物理的有限元分析（Finite Element Analysis, FEA）对于迭代设计或实时控制而言过于缓慢。理论引导的机器学习（Theory-Guided Machine Learning, TGML）同时解决了这两个问题——将控制方程直接嵌入神经网络架构，从4–10倍更少的实验样本中实现接近仿真的精度，且推理速度比有限元法（Finite Element Method, FEM）快数个数量级。本综述呈现了一项全面的综合，以评估五种TGML架构家族：物理信息神经网络（Physics-Informed Neural Networks, PINNs）、热力学神经网络（Thermodynamics-Based Neural Networks, TBNNs）、神经常微分方程（Neural Ordinary Differential Equations, Neural ODEs）、混合物理-数据代理模型（Hybrid Physics–Data Surrogate Models）以及理论嵌入深度学习（Theory-Embedded Deep Learning, TEDL），并将其置于涵盖所有主要AM工艺类别的统一框架下。对于每种架构，本综述记录了已展示的成功案例以及已知的失效模式、计算成本和可扩展性约束，纠正了先前综述中仅强调成功案例的倾向。精度在十种材料-工艺-度量组合上进行了基准测试；识别出八个关键工业采纳差距并赋予分级优先级评级；提出了一份跨越2025–2035年的三视野路线图，并附有具体可验证的交付成果。基于127篇主要出版物，本综述为从事这一快速演变领域的研究人员、工程师和资助机构提供了一个工作框架。
1. 引言
增材制造（Additive Manufacturing, AM）在现代工程中占据独特地位。其提供的几何自由度具有真正的变革性——格栅结构、随形冷却通道以及拓扑优化的载荷路径，这些是传统工艺无法生产的。然而，预测成品部件在其服役载荷下是否可靠仍然非常困难，且这种困难有其特定的物理原因。在粉末床熔融（Powder-Bed Fusion, PBF）的单一激光扫描过程中，宽度小于一毫米的束斑将一个小熔池加热至超过2000°C，然后在几分之一秒内撤离，使新凝固的材料以高达10
6 K s
-1的速率冷却[3][4]。将这一过程乘以构建一个中等部件所需的数百万次事件，累积的微观结构结果与铸造或锻造产生的任何结果截然不同。在快速定向凝固过程中通过竞争性外延生长形成的柱状晶粒，使得激光粉末床熔融（Laser Powder-Bed Fusion, LPBF）制造的钛合金沿构建轴方向的强度明显低于横向方向[3]。镍基高温合金构件中通过连续热循环累积的残余应力通常接近屈服强度，使部件在名义上安全的服役载荷下容易发生应力腐蚀开裂[4]。一个位于应力集中处的60 μm亚表面孔隙，可将AM钛合金构件的高周疲劳寿命相对于承受相同名义应力的无孔隙试样降低两个数量级[5][6]。这些并非随机散布——而是确定性物理在现有模型尚未能同时以准确且计算快速的方式协调的长度和时间尺度上运行的结果。
数据驱动的机器学习进入AM研究领域时曾带来真正的希望。在LPBF合金中，基于工艺参数-性能数据集训练的监督回归网络在拉伸强度预测上通常能达到R2 > 0.90，前提是测试集与训练集来自相同的工艺窗口[7][8]。其局限性在窗口发生偏移、合金改变或几何形状偏离训练经验时便会显现。由于缺乏物理原理的支撑，网络无法推理未知的成分、异常的构建高度或新颖的扫描策略。未经物理约束训练的网络已被观察到预测出负的弹性模量、产生净能量的热力学循环以及超过1的损伤状态变量——这些结果在物理上不可能发生，但却不会触发内部警报[9][10]。Holm [9]直接指出：知道一个预测是错误的，需要知道什么是正确的，而一个纯粹数据驱动的模型不知道什么是正确的。
理论引导的机器学习（Theory-Guided Machine Learning, TGML）从根本上解决了这一问题。TGML并非训练网络记忆输入-输出映射，而是训练其同时满足测量的实验数据和控制物理定律——动量守恒、热力学第二定律、晶界强化关系、疲劳寿命方程——这些定律在分布于问题域内的配置点（collocation points）上施加约束。这些物理定律以零实验成本提供密集的监督信息：自动微分（Automatic Differentiation, AD）以解析方式提供精确的空间和时间导数，无需网格且没有离散化误差[11][13]。此处需要明确四个重叠术语的定义，因为文献中常将它们互换使用。“理论引导的机器学习”（TGML）是任何有意嵌入物理知识——无论是通过损失函数中的物理残差、架构中的结构约束，还是输出变量的硬边界——的架构的总称。“物理信息机器学习”（Physics-informed ML）特指Raissi等人[11]的损失惩罚方法，而非整个TGML。“物理嵌入”（Physics-embedded）和“物理约束”（Physics-constrained）作为形容词互换使用。一个将第二定律硬编码到架构中的热力学神经网络（TBNN）不属于Raissi意义上的“物理信息”，但它无疑是TGML [14]。这一层次结构在此处一次性确立，并在整个综述中保持一致。
有两篇先前的综述值得特别详细的比较。Goh等人[1]调查了机器学习在3D打印中的工艺优化、缺陷检测和性能预测，但其框架明确是数据驱动的；物理嵌入机制和端到端结构认证链不在其范围内。Soori等人[2]通过2024年对AM中的人工智能、机器学习和深度学习进行了编录，但未评估物理约束架构、热力学可容许性条件或认证机构所需的不确定性量化框架。这两篇综述均未涉及结构工程师或认证机构面临的问题：以适当量化的不确定性，预测AM构件在载荷下的行为如何随从工艺参数到微观结构、从本构性能到构件级失效的整个链条而变化。这正是本综述所填补的具体空白。表2提供了与六篇先前综述的结构化范围比较，确认了这些维度的组合在任何先前出版物中均未被共同处理。
1.1. 文献识别与筛选方案
使检索过程可重复，是区分系统综述与叙述性综述的关键，并为读者提供判断可能遗漏内容的依据。检索了三个数据库：Scopus、Web of Science和Google Scholar。核心检索字符串结合了工艺术语（“增材制造”或“激光粉末床熔融”或“定向能量沉积”或“熔融沉积建模”或“选择性激光烧结”或“粘合剂喷射”）、物理-机器学习术语（“理论引导机器学习”或“物理信息神经网络”或“热力学神经网络”或“神经常微分方程”或“混合代理模型”或“物理嵌入深度学习”）以及结构性能术语（“残余应力”或“疲劳”或“蠕变”或“拉伸强度”或“断裂”或“结构性能”）。时间窗口为2016年1月至2026年3月。去重后剩余847条记录。两位作者独立筛选所有标题和摘要，依据三条纳入标准：(i) 英文同行评议期刊或会议论文集；(ii) 至少一条控制物理方程、不等式或对称性被显式嵌入机器学习模型；(iii) 报告至少一种AM工艺的结构性能结果。排除标准为：纯数据驱动无物理嵌入的机器学习；纯基于物理的仿真无机器学习组件；无结构输出的工艺窗口优化；以及未经同行评议的摘要或论文。分歧由第三位作者解决。全文筛选得到127篇主要研究。图S1（PRISMA流程图）和表S2（所有127篇纳入研究的元数据——AM工艺、材料、TGML架构家族、结构性能指标）作为补充材料提供。
2. 从工艺条件到结构性能：TGML必须编码的物理
2.1. AM中的过程-结构-性能-性能链（PSPP链）及其为何抗拒传统建模
在此引入技术就绪水平（Technology Readiness Level, TRL）标度，以确保整个综述中的清晰度。该标度最初由NASA开发，并编入ISO 16290，范围从TRL 1（观察到基本原理）到TRL 4（在受控条件下进行组件验证）、TRL 6（在相关环境中演示原型）到TRL 9（全面运行部署）。在本综述中：TRL 3–4表示在良好控制条件下对小试样进行概念验证；TRL 5–6表示具有独立实验确认的组件级验证；TRL 7及以上需要工业部署及监管认可。如第5节所述，尚无TGML方法达到AM结构性能的TRL 7。
过程-结构-性能-性能（Process–Structure–Property–Performance, PSPP）链是材料科学的组织框架，无论制造路线如何。在AM中，每个环节都比传统制造更具空间变异性、热敏感性且更难控制[4][16][17]。LPBF中熔池凝固前沿的热梯度可达10
5 °C cm
-1，相距一毫米的两个点可能具有完全不同的晶粒形态，因为其中一个被后续道次重熔而另一个没有[4][29]。每个环节的控制物理发生变化：傅里叶热方程（Fourier heat equation）与斯蒂芬相变条件（Stefan phase-change condition）控制过程到热；凝固动力学、竞争性晶粒生长理论和Hunt柱状-等轴转变准则控制热到微观结构；Hall–Petch强化和晶体塑性控制微观结构到性能；Basquin、Coffin–Manson、Monkman–Grant和Weibull统计控制性能到性能[19][20][21][22][23][24][25][26][27]。一个仅在单一环节嵌入物理的TGML模型，在测试条件激活被忽略的环节时，将产生物理上不一致的预测。
2.2. 纯数据驱动机器学习在AM结构性能中的不足
无约束机器学习在该领域的失效模式是定性的，而不仅仅是定量的。一个在LPBF 316L不锈钢残余应力测量数据上训练、并在训练范围外评估的网络，可能会预测违反静态平衡的分布——这直接违背了牛顿第二定律[9][28]。一个在LPBF Inconel 718循环加载数据上训练、并在训练经验之外的加载路径上查询的网络，可能返回负的内部耗散，意味着材料产生而非耗散能量。Liu等人[14]恰好记录了这一点：无约束网络评估的12%测试加载循环显示负耗散，产生非保守的疲劳寿命估计且无内部警告。这些并非边缘情况——而是从模型中移除物理约束的可预测后果。
经济论据强化了技术论据。一次高周疲劳测试花费500–5,000美元并消耗一到三天；一次蠕变断裂测试可能持续数周，花费2,000–20,000美元每个数据点[47][48]。为获得稳定深层网络进行可靠结构性能预测所需的200–500个样本，超出了大多数研究组对任何新兴材料的资源能力。对于三种或四种表征良好的合金——Ti-6Al-4V、316L不锈钢、Inconel 718——这种成本虽然痛苦但尚可管理。对于数百种正在进入AM生产的新兴成分、陶瓷和连续纤维聚合物基体，这是不可承受的。在配置点处基于物理的监督在实验上成本为零，这就是TGML从根本上改变数据需求计算的原因[51]。
2.3. 复合损失函数与权重平衡的实际问题
标准TGML训练目标结合了实验数据保真度与物理残差：
L
total = L
data + λ
PDE·L
PDE + λ
BC·L
BC + λ
const·L
const此处，L
data量化网络预测与N
d个实验测量之间的差异；L
PDE在N
c个配置点处强制执行控制偏微分方程（Partial Differential Equation, PDE）残差；L
BC强制执行边界和初始条件；L
const强制执行本构关系。一个典型的残余应力问题可能携带80个衍射测量点以及10,000个配置点，使得物理项在监督权重上约为数据项的十倍，且无额外实验成本[11][13][32]。权重系数λ是TGML实践中比引言性描述更不直接的问题——在实践中需要仔细注意。设置λ
PDE太小，网络忽略控制方程；太大，数据保真项被淹没。在耦合热-机械系统中，热扩散和蠕变在量级相差数个数量级的时间尺度上运行，来自不同损失项的梯度信号直接冲突；训练可能停滞或发散[33][34]。三种已发表的适应性策略直接解决了这一问题：Xiang等人[34]使λ成为与网络权重一起更新的可学习参数；Wang等人[33]引入了学习率退火，在每次迭代中基于数据项与物理项梯度幅值之比重新缩放物理损失梯度，经验上减少了训练早期的振荡；Wu等人[35]表明，在PDE残差当前较高的区域集中配置点，比在一系列AM热和机械问题上的均匀采样获得了显著更好的收敛性能[35]。实际意义不可协商：任何TGML研究中使用的λ值必须报告，并且至少应进行一次量级敏感度研究，以确认主要结论不是特定权重选择的人为产物。
3. 五种架构家族：物理如何进入模型
五种TGML家族不仅在嵌入物理的机制上不同，而且在它们能表示的物理知识类型以及能通过构造提供的保证上也不同。架构选择应由目标现象的物理本质驱动，而非仅由计算便利性决定。表3总结了分类法，并按照第2.1节定义的TRL标度评估了成熟度。
3.1. 物理信息神经网络（PINNs）
PINNs是AM结构问题中部署最广泛的TGML架构。训练损失不仅包括网络预测与实验测量之间的差异，还包括在问题域内抽取的配置点处评估的控制PDE残差[11][13]。自动微分（Automatic Differentiation, AD）以解析方式提供精确的空间和时间导数，因此这些残差可以在无需网格的情况下评估，且配置点无实验成本[32][33]。关键结果是，预测AM构件残余应力场的PINN不仅仅是在衍射测量点之间插值——它找到的是同时满足这些测量和域内处处牛顿第二定律的应力分布。
该方法的定量证据是一致的。Zhang等人[28]在80个同步辐射衍射残余应力测量点（来自LPBF 316L不锈钢）上训练了一个PINN，在10,000个配置点处强制执行动量平衡和应变兼容性。得到的模型在完全排除训练的电子衍射验证集上实现了32 MPa平均绝对误差（Mean Absolute Error, MAE）。给定相同80个数据点的无约束网络实现了89 MPa MAE——差178%——因为没有东西阻止其在数据点之间偏离物理平衡。一个完整的有限元模型实现了28 MPa MAE，但需要六小时计算；训练好的PINN在不到两秒内达到相同结果[28][36]。Sun等人[36]将该方法扩展至复杂LPBF部件中残余应力和几何变形的同步重建。最近的进展包括适应性配置点放置和域分解，以缓解频谱偏差[33][34][35][37]。
3.2. 热力学神经网络（TBNNs）
TBNNs将热力学约束直接嵌入网络架构，使得违反在构造上不可能，而非通过损失函数惩罚[14][38][39]。亥姆霍兹自由能（Helmholtz free energy）被参数化为神经网络；所有本构量通过自动微分解析导出，因此第二定律在每次查询时都得到满足，无论是否在训练分布内。Liu等人[14]在LPBF Inconel 718的热机械疲劳（Thermomechanical Fatigue, TMF）中证明了这一保证的实际意义：无约束网络在训练中未见过的12%测试循环上预测了负的内部耗散——能量产生。TBNN在相同的3,600个测试循环集上产生零违反，同时在训练数据中缺失的加载路径形状上实现低于3%的误差。Meng等人[38]将TBNN公式扩展到有限变形超弹性；As’d等人[40]将类似框架应用于纤维增强AM复合材料；Cheng等人[41]证明了耦合热-机械疲劳公式，同时满足耗散不等式和能量平衡。
3.3. 神经常微分方程（Neural ODEs）
许多AM结构性能量——累积疲劳损伤、蠕变应变、析出物数密度——以连续方式演化，自然可用常微分方程（Ordinary Differential Equation, ODE）描述。神经ODE（Neural ODEs）通过将ODE右侧表示为神经网络并在每次前向传播中数值积分，保留这种物理自然的结构[42][43]。在积分步骤之前应用的输出变换精确地强制执行物理界限：sigmoid函数将损伤限制在[0, 1]，softplus保证非负蠕变速率，单调输出层强制执行不可逆性[44][45]。当模型在训练中缺失的条件上评估时，泛化优势最为明显。Olivares等人[44]在应力比R = -1的LPBF Ti-6Al-4V疲劳损伤上训练了一个神经ODE，然后在R = 0和R = +0.5上评估：在所有三种条件下R2 = 0.94。在相同数据上，无约束网络在未见过的载荷比上达到R2 = 0.31。对于LPBF Inconel 718的蠕变，受Monkman–Grant乘积约束的神经ODE从60次测试中预测了五个应力水平和三个温度下的断裂寿命，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为18%——比无约束网络达到可比精度所需的测试少约76%[44][46]。
3.4. 混合物理-数据代理模型（Hybrid Surrogates）
混合代理模型从解析模型计算物理基线，然后训练神经网络学习该基线与其实际测量结果之间的残差[47][48]。由于残差是比完整输入-输出映射更小、更平滑的函数，所需的训练数据集显著更小，通常为三到五倍[49][50]。对于金属AM，Rosenthal点源解是最广泛使用的物理基线：它捕捉了熔池冷却速率对激光功率、束斑直径和扫描速度的主要依赖性，然后Hall–Petch关系将冷却速率与晶粒宽度和屈服强度联系起来。He等人[49]将Rosenthal基线与一个针对孔隙率、织构和表面粗糙度的神经校正相结合，仅从45个样本中就实现了LPBF 316L不锈钢拉伸强度12 MPa的均方根误差（Root-Mean-Square Error, RMSE）。相同问题采用纯数据驱动方法在分布内产生28 MPa RMSE，在分布外产生67 MPa RMSE——379%的外推退化直接归因于缺失的物理成分。
3.5. 理论嵌入深度学习（TEDL）
理论嵌入深度学习（Theory-Embedded Deep Learning, TEDL）通过等变层（equivariant layers）和张量分解（tensor decompositions）将物理定律的基本对称性和不变性编码到网络架构中，而非通过损失函数惩罚来强制执行[51][52][53]。材料框架无差异（Material frame indifference）在架构上得到保证——网络无法表示缺乏所需旋转对称性的响应。应用于LPBF Al-10Si-Mg，一个TEDL架构预测了跨越36个晶体取向的完整四阶弹性刚度张量，分量级误差低于5%[53]。在相同数据集上，无约束网络在远离训练集的取向处达到18–23%的误差，因为没有任何架构特征强制旋转一致性。除了精度之外，TEDL模型还带有监管优势：对称约束可表达为显式、可验证的物理陈述，工程师和资质认证机构可独立于网络权重进行审计[53]。
3.6. 失效模式、计算成本与可扩展性约束
一个仅列举成功的综述是倡导而非学术。本节记录了每种架构家族的已知失效模式、计算成本和可扩展性约束，基于已发表的TGML表现不佳、产生物理不一致结果或尚未在工业相关规模上测试的案例。
PINNs有两个有据可查的技术缺陷。第一，频谱偏差（spectral bias）：全连接网络吸收低频解特征远快于高频特征，导致PINNs在熔池边界附近、应力集中区和裂纹尖端场处难以解析尖锐梯度[33][37]。域分解和傅里叶特征嵌入可减少但不能消除这一问题。第二，在刚性PDE（stiff PDEs）下的收敛失败：在耦合热-机械AM问题中，热扩散和蠕变在量级相差数个数量级的时间尺度上运行，梯度信号冲突，训练可能停滞或发散而无警告。训练一个三维LPBF残余应力PINN到可接受精度已被报道需要10–100 GPU小时[33][34]，使得设计空间遍历在没有代理加速的情况下不切实际。使PINNs具有吸引力的推理速度优势，如果每次新几何或工艺窗口都必须重复训练，则可能被削弱。
TBNNs在热力学上优雅，但当自由能网络表达性不足或训练数据未能充分覆盖热力学状态空间时，可能不稳定。在这种情况下，解析微分步骤产生热力学上可容许但机械上错误的结果。从事高温合金热机械疲劳TBNN工作的从业者发现，基于课程的训练顺序（从单轴到多轴加载路径）对于避免局部极小值是必要的[14][41]。因此，TBNN训练需要比其理论保证所暗示的更多专家判断。
神经ODE在状态变量快速过渡时遇到刚性和求解器敏感性问题。在高周疲劳模型中，损伤可能在数百万次循环中保持接近零，然后迅速加速直至失效。适应性ODE求解器通过大幅增加函数评估次数来响应，从而增加训练时间并通过基于伴随的反向传播路径提高梯度爆炸的风险[42][44]。步长正则化和以缓慢变化变量重新表述有所帮助，但两者都不是通用解决方案。
混合代理模型在物理基线不仅不精确而且结构错误时变得脆弱。Rosenthal点源模型不捕捉钥匙孔效应、粉末层热性能或多道扫描策略。针对此类基线训练的残差网络会吸收系统性的基线误差以及真实的二阶物理，当操作条件以改变误差特征的方式移动时，代理模型可能急剧失效[47][48]。在投入代理模型之前进行显式基线验证是唯一可靠的保障。
TEDL尽管架构优雅，但在AM应用方面仍处于早期阶段。已发表的AM结构研究最多涉及几十个样本和单一材料-工艺组合；尚无研究尝试多合金或多工艺部署[51][52][53]。还存在一个未解决的概念空白：TEDL架构中内置的对称性约束是在晶体或连续体水平上定义的，但AM构件的有效对称性受织构梯度、异质残余应力和构建方向各向异性控制，这些因素可能在构件尺度上破坏简单的晶体学对称性。在此映射建立之前，TEDL在本构水平上提供的架构保证可能无法干净地传递到构件级结构性能。
4. 跨材料、工艺和性能类别的展示性能
4.1. 钛合金
Ti-6Al-4V占所有TGML–AM结构性能出版物的一半以上，由其在航空航天认证活动中的主导地位以及大型同步辐射衍射数据集的可用性驱动[5][54][55]。混合代理模型将Rosenthal解与针对孔隙率、织构和表面粗糙度的神经校正相结合，在激光功率150–350 W和扫描速度600–1,800 mm/s范围内，从少于80个样本中实现了极限抗拉强度（Ultimate Tensile Strength, UTS）和屈服强度低于5%的误差[28][54]。物理基线通过熔池冷却速率与柱状晶粒宽度之间的Hall–Petch关系捕捉了主要过程-性能信号；神经残差学习Rosenthal模型无法表示的次级效应。AM钛合金的高周疲劳由缺陷总体的统计极值控制，这是纯数据驱动模型本质上不适合捕捉的特征。嵌入最薄弱环节断裂力学和极值统计的TGML方法预测了B10疲劳寿命，误差低于25%，而平均拟合神经网络为60–80%[5][6][56][57]。
4.2. 镍基高温合金
镍基高温合金呈现AM中最苛刻的结构预测挑战，因为其主导失效机制——热机械疲劳、蠕变、应力腐蚀开裂——是热激活的、依赖加载路径的，并且对在构建和构建后热处理过程中演化的析出物状态敏感[14][46][58]。Liu等人[14]的TBNN在训练中不存在的Inconel 718热机械疲劳路径上实现了低于3%的误差，在所有评估的3,600个测试循环中零热力学违反。对于LPBF Inconel 718的蠕变断裂，受Monkman–Grant乘积约束的神经ODE从60次测试中预测了五个应力水平和三个温度下的断裂寿命，MAPE为18%——比无约束网络达到可比精度所需的测试少约76%[44][46]。对于定向能量沉积（Directed Energy Deposition, DED）Inconel 625，一个神经ODE从40个硬度图预测了作为构建高度函数的硬度梯度，MAPE为13%，显著优于纯数据驱动循环网络达到的27%[59]。
4.3. 不锈钢、铝合金和聚合物AM
LPBF 316L不锈钢已成为基于PINN的AM方法的主要方法学证明场所，主要得益于异常大的同步辐射和电子衍射残余应力数据集[28][36][49][60]。Zhang等人[28]的32 MPa MAE基准——从八分之一实验数据达到FEM精度，且快四个数量级——仍然是物理监督单独对结构预测贡献的最清晰定量证明。对于AlSi10Mg，混合代理模型将Rosenthal解与析出动力学校正相结合，从55个样本中实现了屈服强度10%的MAPE[61]。一个嵌入接触时间平方根爬行扩散（reptation diffusion）键强度模型的TGML模型，从仅30个训练样本中预测了PLA/CF FDM复合材料的Z向拉伸强度，在打印温度190–240°C范围内误差在8%以内[62][63]。在训练中不存在的层高上评估时，无约束网络预测了-23 MPa拉伸强度——物理上不可能。物理约束模型正确返回了9 MPa。
4.4. 陶瓷AM与多材料系统
陶瓷AM是脆性的，强度遵循Weibull统计，失效由缺陷尺寸分布的尾部控制——这些特性使得纯数据驱动预测尤其不可靠[64][65]。一个应用于粘合剂喷射氧化铝的Weibull-PINN框架，通过将Weibull存活概率函数直接嵌入PINN损失，从25个断裂模量样本中实现了特征Weibull强度6%的误差[64][65]。多材料AM——功能梯度成分、双金属界面、连续纤维复合材料——几乎完全不存在于TGML文献中[66][67][68]。一个针对不锈钢-钛DED界面的混合PINN-代理框架已针对残余应力预测进行了演示，但尚未针对疲劳或断裂进行演示[68]。嵌入层合板理论的混合代理模型处理的CFRP/FDM复合材料，从60个样本中在所有纤维取向上实现了弯曲强度R2 = 0.97[63]。
5. 阻碍工业采纳与认证的八个关键差距
5.1. 差距1（一级）：多尺度集成
所有已发表的AM结构性能TGML研究均在单一特征长度尺度上运行。结构失效是多尺度的：一个30–80 μm的亚表面孔隙萌生疲劳裂纹；局部应力强度取决于由100–500 μm晶粒织构设定的弹性模量；该局部模量本身是10–100 mm构件级残余应力的函数[69][70][71]。这些尺度是耦合的，而不仅仅是共存。AM结构认证所需的具体三尺度链——孔隙到晶粒到构件——尚未在任何已发表研究中端到端闭合。概率PINN和贝叶斯TGML已在相关材料问题中展示了双尺度耦合[72][73]，这一点已得到确认。神经算子（Neural operators）——学习函数空间之间的映射而非有限维输入-输出对——是向三尺度闭合最有技术前景的途径[69][70][74]。
5.2. 差距2（一级）：校准的不确定性量化
认证机构要求B基础许用值（B-basis allowables）——即99%的生产总体以95%统计置信度超过的值——这是关于强度分布左尾极值的陈述[47][75][76]。不到20%的已审查TGML研究报告了任何不确定性估计，其中不到一半在独立数据上展示了校准。三个结构错配解释了这一点。第一，可交换性假设（exchangeability assumption）：在不同板位置或跨构建批次的AM试样通过共享热梯度、气体流型和粉末批次效应相关联。这些相关性违反了自助法、交叉验证和共形预测所依赖的统计可交换性，意味着在假设下计算的标称覆盖率在实际中不会成立[75][77]。第二，认证要求尾部统计量——B基础第1百分位数——但TGML不确定性估计通常校准到中位数或均值区间覆盖率。一个在中心实现准确95%覆盖率的模型，在决定设计许用值的左尾处可能严重错误[47][77]。第三，TGML中的物理约束减少了来自材料散差的随机不确定性（aleatoric uncertainty），但未解决来自模型间隙的认知不确定性（epistemic uncertainty），且尚无既定协议用于在TGML输出中分解这两个贡献。直到开发出针对AM的特定不确定性量化（Uncertainty Quantification, UQ）方法——处理非可交换数据、校准到尾部覆盖率标准、分离随机与认知不确定性——并针对实际B基础数据集进行验证，目前可用的UQ工具才能被视为适用于结构认证目的。
5.3. 差距3：物理一致的迁移学习
从数据丰富的源材料到数据稀缺目标的迁移学习是对新兴AM合金有限训练数据的自然响应。但它带有TGML特定的风险：天真的微调不仅导入学习到的特征，还导入为源材料校准的物理约束。对FCC 316L不锈钢有效的Hall–Petch校准，对于由孪生诱导塑性控制的HCP高熵合金并非正确的强化关系。尚无已发表的协议指定如何在提交微调之前验证嵌入的物理约束对目标材料仍然适当[78][79]。图10展示了一个新的物理一致迁移学习协议。关键新增是在预训练源材料模型与目标材料数据微调之间增加了一个物理验证步骤。如果嵌入的约束对目标材料类别不适当，协议在微调之前分支到重新校准循环。该步骤在AM中所有已发表的迁移学习研究中均缺失。
5.4. 差距4：多材料与功能梯度AM
不到五项TGML研究涉及多材料AM界面的结构性能——这一数字与该能力类别的商业重要性完全不成比例[66][67][68]。航空航天正在开发梯度热障涂层；生物医学正在开发具有空间变化刚度的仿骨支架；能源正在开发结构基材上的耐腐蚀覆层[66][67][80][81]。这些界面的结构力学涉及热膨胀失配驱动的残余应力集中、任何单一材料本构模型中都缺失的界面断裂模式，以及在异种金属系统中随时间变化的电化学-机械耦合[81][82]。尚无现有TGML公式嵌入多材料AM接头的经过验证的界面本构描述。
5.5. 差距5（一级）：极值疲劳预测
AM疲劳失效由缺陷总体的极值驱动，而非均值行为。一批1,000个LPBF钛合金构件中最差的试样设定了生产中每个构件必须满足的设计许用值[5][6][56][57]。预测平均疲劳寿命的TGML模型回答的是错误的工程问题。认证需要的是在指定存活概率下经校准的下限寿命预测，该预测来自通过断裂力学传播到构件失效的概率缺陷描述[26][57]。尚未针对任何AM材料系统发布此类端到端TGML系统。图11示意性地说明了极值疲劳预测差距。
5.6. 差距6：实时过程内部署
商用LP
