基于物理原理的增材制造金属零件工艺-结构-性能预测模型

《ACTA MATERIALIA》：Physics-informed process-structure-property prediction model for additively manufactured metallic parts

　　

摘要

在激光粉末床熔融技术中，建立工艺-结构-性能之间的关联对于理解工艺参数如何影响微观结构演变及其对机械性能的影响至关重要。然而，由于激光粉末床熔融过程本身具有复杂的热历史，再加上分析后续热处理效应需要大量时间和成本，因此预测机械性能与微观结构演变之间的关系仍然是一项挑战。虽然传统的数据驱动方法试图直接从工艺或结构参数预测机械性能，但往往无法准确描述这种关联。近年来，人工智能技术的快速发展为克服这些限制提供了新途径，即结合机器学习与基于物理的建模方法。本文提出了一种基于物理的工艺-结构-性能预测模型，该模型将条件去噪扩散概率模型与基于物理的神经网络相结合，用于预测激光粉末床熔融技术制备的金属零件的性能。条件去噪扩散概率模型能够重建热处理条件下的高精度微观结构，而基于物理的神经网络则能根据微观结构特征准确预测其拉伸性能。此外，该预测模型还能以较低的预测误差（≤6.1%）确定最佳热处理条件，从而最大化零件的机械性能。因此，这一预测框架有望广泛应用于其他增材制造技术，大幅缩短设计周期并降低实验成本。

引言

激光粉末床熔融技术是一种广泛应用的增材制造技术，能够制造出几何形状复杂且精度较高的金属部件。为将这项技术应用于实际产品，以往的研究主要集中在优化工艺条件上，以提高激光粉末床熔融技术制备的零件的质量和可靠性[[1], [2], [3], [4], [5], [6], [7]]。然而，与传统制造工艺不同，激光粉末床熔融过程属于非平衡态热力学过程，其特点是快速的热循环、较高的热梯度以及极快的凝固速度（约1.7×10⁶ K/s）[8,9]，这使得预测其微观结构及相应的机械性能变得十分困难。

对于17-4沉淀硬化不锈钢而言，这种快速冷却会导致零件形成细小的、以δ-铁素体为主的微观结构，而不会形成奥氏体相[10,11]。此外，逐层制造的过程还会带来复杂的重复热历史，从而导致激光粉末床熔融技术制备的零件出现不均匀且层次分明的微观结构[12]。尽管这类零件具有一定的强度，但其机械性能仍低于经过热机械处理优化的传统制造零件。因此，对17-4PH不锈钢进行热处理是必要的，以此实现微观结构的均匀化并提升其机械性能。

研究激光粉末床熔融技术制备的17-4PH不锈钢的热处理效果极具挑战性，因为其微观结构演变涉及相变、晶粒细化以及第二相析出等多种复杂机制[[13], [14], [15]]。为阐明这些工艺-结构-性能之间的关联机制，许多研究采用了扫描电子显微镜、电子背散射衍射仪、透射电子显微镜等先进的表征技术，同时结合大量的机械性能测试[16,17]。

为应对这一挑战，近年来的研究开始尝试运用机器学习技术来建模工艺-结构-性能之间的关联[18], [19], [20], [21], [22], [23], [24], [25]。刘等人[12]采用高斯过程回归模型，利用工艺和结构特征来预测零件的机械性能。更为先进的方法则使用了生成式人工智能技术，例如曹等人[16]就利用生成对抗网络，根据工艺参数重建出类似钛-6铝-4钒合金中α相形态的真实微观结构。不过，由于生成对抗网络存在不稳定性和模式崩溃的问题[26,27]，越来越多的研究开始采用扩散模型来构建生成式人工智能模型，这类模型更具稳定性，也能更好地捕捉复杂的 数据分布[28]。弗朗西斯等人[29]运用扩散模型通过对低分辨率图像进行上采样，实现了对激光粉末床熔融过程的实时光学监测，而李等人[30]则提出了基于扩散模型的生成方法，可根据结构-性能关系设计特定的微观结构。然而，这些研究大多仅聚焦于工艺-结构、工艺-性能或结构-性能这类单独的关联环节，未能将其整合为一个端到端的预测框架。因此，这些模型仍存在一定的局限性，其在预测和解释工艺-结构-性能关联时的准确性和可靠性都存在较大不确定性。鉴于人工智能技术，尤其是生成式人工智能模型和基于物理的神经网络领域的快速发展，如今已有可能将数据驱动方法与领域专业知识相结合。因此，有必要开展基于生成式人工智能技术的全面工艺-结构-性能预测框架的研究。

本研究提出了一种工艺-结构-性能预测模型，用于预测在不同热处理条件下激光粉末床熔融技术制备的17-4PH不锈钢零件的微观结构及其对应的机械性能。该模型将条件去噪扩散概率模型与基于物理的神经网络相结合，通过这种方式实现了对激光粉末床熔融技术制备的17-4PH不锈钢零件在各种热处理条件下的微观结构与机械性能的端到端预测。条件去噪扩散概率模型能够生成与特定热处理条件相匹配的真实微观结构图像，而基于物理的神经网络则能根据该模型生成的微观结构特征来预测零件的拉伸应力-应变行为。通过对未见过的新热处理条件进行验证，我们证明了该预测模型作为一种强大的材料设计工具，有助于高效探索工艺-结构-性能之间的关联。这一成果有望显著加快其他金属材料及制造工艺的设计周期并降低相关实验成本，帮助人们根据工艺-结构-性能关系来优化工艺设计和结构设计。

章节要点

材料与制造工艺

本研究使用了市售的在氮气环境下气雾化处理的17-4PH不锈钢粉末（AM Solutions），其颗粒尺寸分布在15-53微米之间。该粉末的表观密度和实测密度分别为3.99克/立方厘米和4.63克/立方厘米。其化学成分如表1所示，其中铬当量和镍当量是通过特定公式计算得出的，计算结果为Cr_eq/Ni_eq比值为2.80[31]：Cr_eq (重量百分比) = Cr + 2(Si) + 1.75(Nb)Ni_eq

工艺-结构-性能关联

本研究探讨了激光粉末床熔融技术制备的17-4PH不锈钢的热处理、微观结构与机械性能之间的关联，相关研究结果总结见图2和表5。成品零件的微观结构表现为细小的近似等轴晶粒，晶粒尺寸为3.41微米，其中δ-铁素体占比为71.55%，剩余的28.45%为奥氏体相，如图2a和S5a所示。虽然根据供应商提供的化学成分计算得的Cr_eq/Ni_eq比值为2.80（见表1），但

结论

本研究基于激光粉末床熔融技术制备的17-4PH不锈钢零件，开发并验证了一种工艺-结构-性能预测框架。该框架通过结合条件去噪扩散概率模型用于微观结构重建，以及基于物理的神经网络模型用于性能预测，成功分析了热处理条件对零件微观结构及其机械性能的影响。本研究的主要成果和贡献如下：

• •
  工艺-结构预测模型：条件去噪扩散概率模型展现了良好的预测效果

数据获取方式

相关数据可应要求提供。

CRediT作者贡献说明

Taehwan Kim：写作——审稿与编辑，写作——初稿撰写，可视化，验证，软件使用，资源准备，方法设计，研究实施，数据整理，概念构思。Min-Kyeom Kim：写作——审稿与编辑，验证，方法设计，研究实施，概念构思。Hyun-Ju Yang：写作——审稿与编辑，验证，软件使用，概念构思。Yongjian Fang：写作——审稿与编辑，验证，方法设计，概念构思。Juwon Kim：写作——审稿与编辑，

Taehwan Kim|Min-Kyeom Kim|Hyun-Ju Yang|Yongjian Fang|Juwon Kim|Ziyang Duan|Jonghwan Suhr