《Materials》：Machine Learning-Based Prediction of Ablation Groove Geometry and Heat-Affected Zone Formation in Femtosecond Laser Micromachining of Aluminum
编辑推荐：
本研究提出了一种人工神经网络（ANN）方法，用于预测铝飞秒激光微加工过程中激光诱导的材料改性。实验研究确定了平均激光功率和扫描速度对烧蚀槽宽度以及用作热影响区（HAZ）代理的光学确定的表面变色宽度的影响。收集的数据集包含100个样本，用于开发、训练、验证和测试
本研究提出了一种人工神经网络（ANN）方法，用于预测铝飞秒激光微加工过程中激光诱导的材料改性。实验研究确定了平均激光功率和扫描速度对烧蚀槽宽度以及用作热影响区（HAZ）代理的光学确定的表面变色宽度的影响。收集的数据集包含100个样本，用于开发、训练、验证和测试一个具有两个输入、两个输出和两个隐藏层的ANN预测模型。尽管模型简单且数据集相对较小，但开发的模型取得了较好的预测精度，在测试数据集上整体相关系数（R）约为0.95。预测值与实验结果吻合良好，表明ANN近似了激光加工参数与材料改性之间的关系。所提出的方法可为预测铝飞秒激光加工中的表面形态变化和热效应提供有用工具。
激光微加工技术利用高能激光束实现微米级精度的材料去除，广泛应用于电子元件、光学元件及光伏电池等领域。飞秒激光因脉冲极短能有效抑制热扩散，减少热影响区（HAZ）形成，但其烧蚀过程涉及非线性吸收、热传导、相变等多种复杂物理现象，参数调控难度大。传统解析模型难以精确描述此类非线性关系，而实验试错法耗时费力。近年来，机器学习（ML）成为优化激光加工参数的新途径，但现有研究多聚焦于钻孔过程，对飞秒激光切割形成沟槽时的几何特征及HAZ预测尚存空白。研究人员基于铝3003箔材，利用飞秒激光微加工系统制备100个样本，开发并验证了一个双输入（平均激光功率、扫描速度）、双输出（烧蚀槽宽度、光学HAZ代理宽度）的人工神经网络（ANN）预测模型。该模型在测试集上整体相关系数（R）达0.95，预测误差在11%~15%之间，优于传统线性回归和二次多项式回归模型，为飞秒激光微加工中材料表面改性预测提供了有效工具。论文发表在《Materials》。
关键技术方法包括：（1）实验样本铝3003箔（厚度200μm），样本队列由10个样品组成，每个样品在不同激光功率（1~10 W，步长1 W）下加工，每个样品上制备10条沟槽，扫描速度从10 mm/s到100 mm/s（步长10 mm/s），共100个数据点；（2）采用Pharos飞秒激光源（脉宽500 fs，重复频率200 kHz，波长1030 nm），经XY振镜扫描和100 mm F-theta透镜聚焦至约100 μm光斑；（3）使用Nikon Eclipse TS100光学显微镜测量沟槽宽度及作为HAZ代理的表面变色宽度，每沟槽测量10个位置取均值；（4）ANN模型以MATLAB实现，结构为2-10-5-2（输入层2节点，隐藏层分别为10和5节点，输出层2节点），采用Levenberg-Marquardt反向传播算法训练，数据集按70%训练、15%验证、15%测试随机划分。
**3.1 实验研究结果**
通过光学显微镜观测，发现烧蚀沟槽边缘较均匀，表明烧蚀稳定性好；HAZ代理边界则更不规则，源于不均匀热扩散与二次热效应。激光功率与扫描速度对沟槽宽度及HAZ代理宽度的影响呈非线性：随着激光功率增大，两者均显著增加，且高速扫描时增幅较缓；低功率（1 W）高速（100 mm/s）下未检测到表面变色，HAZ代理宽度等于沟槽宽度（37 μm）；高功率（10 W）低速（10 mm/s）下沟槽宽度达112 μm，HAZ代理宽度达140 μm。结果表明，所需烧蚀效果需权衡参数，为ML模型提供了数据基础。
**3.2 人工神经网络预测结果**
ANN模型预测值与实验值的相关系数（R）在测试集上整体为0.95，单个输出中沟槽宽度R=0.88，HAZ代理宽度R=0.96；验证集整体R=0.96。五折交叉验证得R=0.94±0.02，平均绝对百分比误差（MAPE）为8.01±0.84%。与线性回归（沟槽R=0.74，HAZ R=0.66）和二次多项式回归（沟槽R=0.88，HAZ R=0.81）相比，ANN精度更高，表明非线性关系无法用简单函数完全描述。训练过程中均方误差（MSE）在第11个epoch达到最小，随后6个epoch验证误差未改善而终止，训练误差、验证误差与测试误差无显著发散。残差分析显示无系统偏差，误差主要源于激光烧蚀过程本身的变异性。与文献对比，本模型精度与Solati等（R≈0.96）和Keerthi等（R=0.52~0.85）相当，优于部分同类研究。ANN成功捕捉了物理机制：激光功率升高增大能量密度，扩大烧蚀区域与热扩散；扫描速度降低增加单位长度能量沉积，增强材料去除与热效应。
**讨论与结论**
讨论部分指出，ANN模型在有限实验数据集下展示了合理预测能力（整体R=0.95，预测误差10%~15%），能够同时输出沟槽宽度和HAZ代理宽度，为识别低热影响工艺条件（如冷烧蚀）提供依据。但模型仅适用于铝材料、特定激光系统及有限参数范围，外推至其他条件需重新训练。未来工作将扩展至其他材料与加工工况。研究结论总结如下：（1）输入参数（激光功率、扫描速度）与输出参数（沟槽及HAZ代理宽度）呈非线性关系，传统解析模型难以描述；（2）开发的ANN模型在测试集上预测值与目标值整体相关系数R=0.95；（3）相对简单的ANN结构（2-10-5-2）足以近似输入输出关系；（4）模型基于仅100个实验数据点完成有效训练、验证与测试；（5）训练过程稳定，未出现训练、验证、测试误差显著发散；（6）ANN预测误差部分源于激光烧蚀过程的不规则性导致的变异性；（7）在所研究的材料与加工范围内，本模型可用于估算沟槽及HAZ代理宽度，其他条件需额外实验验证。
