基于集成离散元-计算流体力学与机器学习方法的激光粉末床熔融过程中熔池形态及气孔形成的数据驱动分析

《Powder Technology》：Data-driven analysis of molten pool morphology and porosity formation in laser powder bed fusion via integrated DEM-CFD and machine learning

　　

• •
  构建了一种集DEM、CFD和机器学习于一体的框架，用于分析18Ni300马氏体时效钢在激光粉末床熔化工艺中的粉末级熔化动态、熔池形态演变以及气孔形成现象。
• •
  对比了八种机器学习模型（GPR、BPNN、SVR、随机森林、XGBoost、贝叶斯岭回归、LightGBM和CatBoost）在预测熔池形态与气孔形成方面的性能。
• •
  运用NSGA-II多目标帕累托优化方法，寻找能够在将气孔率控制在0.25%以下的同时，保持理想熔池长宽比（0.5–0.8）的参数组合。
• •
  通过整合DEM模拟、CFD计算和机器学习预测结果，建立了数据驱动的工艺控制图，为参数选择提供可视化指导，从而减少缺陷并提升制造稳定性。

引言

增材制造技术，尤其是激光粉末床熔化工艺，因能够革新传统生产方式而备受关注[1]、[2]。该技术使得带有内部腔体的金属零件制造成为可能，可实现复杂几何结构及灵活的设计方案[3]。然而，高压力压铸模具中采用等温冷却回路时，熔池形态的变化及其引发的气孔问题仍需进一步研究。高温下熔池内的汽化作用会导致孔洞形成，进而引发匙孔振荡现象[4]、[5]。气孔及不连续微观结构会显著影响材料的使用寿命，尤其是在高压压铸模具中[6]、[7]。当前研究的一个重要方向就是探讨气孔对裂纹萌生与扩展的影响（Anonymous, 2023 [9]）。

众所周知，激光粉末床熔化工艺制件的质量取决于激光功率、扫描速度、激光束半径以及体积能量密度等工艺参数，这些参数对于控制熔池的形态（长度和宽度）、匙孔行为以及气孔和裂纹等缺陷的形成至关重要（Anonymous, 2025 [10]；参考文献[11]）。若激光功率设置不当，会导致熔化不充分，进而引发反作用力、表面张力变化、未熔化的粉末以及不完整的熔池[12]、[13]。激光束半径则决定了熔化过程中的空间分辨率和热量分布，进而影响熔池内的热传递[14]、[15]。合理调整激光扫描速度可控制材料在熔池中的沉积速率，进而影响凝固过程；而扫描速度不当则会降低材料的力学性能[16]。激光功率与扫描速度的相互作用可能导致较高的体积能量密度，从而使熔池和匙孔变得极为不稳定，并伴随气孔等缺陷的产生[14]、[17]。这些研究都表明，精确控制激光粉末床熔化工艺参数及体积能量密度对于保证产品质量、减少缺陷具有关键作用。

目前已有许多研究通过实验和数值模拟手段致力于工艺优化[18]、[19]。虽然实验方法有助于确定最优的工艺参数范围，但往往需要大量资源且耗时较长[10]。离散元法可以通过模拟颗粒间的相互作用来分析激光粉末床熔化过程中的粉末行为，这些相互作用受滚轮形状、层厚以及基材粗糙度的影响，进而直接影响粉末床的均匀性及空隙率[20]、[21]。将离散元法与计算流体动力学相结合，可以实现激光粉末床熔化工艺的多尺度建模：离散元法用于描述颗粒级的粉末分布与填充质量，而计算流体动力学则可用于分析熔池的流体力学行为、热传递过程以及气孔、匙孔不稳定等缺陷的形成机制[22]、[23]、[24]。计算流体动力学模拟不仅可以预测产品质量，还能监控工艺效率，从而减少实验需求。这类模型能为理解工艺背后的物理原理提供重要依据。不过，高精度模型的计算成本较高。计算流体动力学研究有助于揭示激光粉末床熔化过程中熔池和匙孔行为的动态特征及其控制因素，进而阐明不同激光参数对工艺的影响[25]。在激光粉末床熔化工艺中应用计算流体动力学模型优化产品质量，不仅提升了精度，还降低了成本，同时增强了对复杂制造过程的掌控能力[26]。

在面对激光粉末床熔化工艺中众多工艺参数时，必须充分考虑各种物理现象和材料特性，这就需要开发新的方法来实现高效的工艺设计[27]。许多研究都强调了机器学习在为不同制造工艺确定最佳参数方面的作用[28]、[29]。Chernyavsky等人[30]建立了高斯回归模型，用于揭示激光粉末床熔化工艺在不同工艺参数下的物理现象及误差情况，同时还提出了用于识别晶体材料晶粒尺寸和形状的微观结构描述方法。此外，他们还构建了高斯回归分类模型，通过引入新的运动特征，更准确地描述激光粉末床熔化工艺中熔池的运动情况，其熔池形态数据是根据熔化状态分类的[31]。Caiazzo等人则利用神经网络机器学习模型，发现了激光粉末床熔化工艺的工艺参数与熔池轨迹几何特征之间的关联[32]。BPNN模型能够从合金性能的实验数据中提取出对激光粉末床熔化工艺至关重要的复杂关系[33]。随机森林模型被用于分类激光粉末床熔化过程中回收的AA7050粉末的颗粒形态，成功捕捉到了三维形状因子之间的复杂关联，准确率超过85%[34]。Qin等人通过贝叶斯岭回归模型，建立了激光粉末床熔化工艺参数（如层厚、激光功率）与所得表面面积比之间的稳定关联，平均R²值为0.77[35]。SVR模型则通过捕捉激光功率、扫描速度与材料性能之间的非线性关系，有效预测了激光粉末床熔化工艺中316?L不锈钢的相对密度[36]。XGBoost模型在分类变形的粉末颗粒方面表现十分可靠，通过迭代优化可有效降低激光粉末床熔化工艺原料质量的分类误差[34]。激光功率、激光束半径以及扫描速度都对气孔形成和熔池形态有着重要影响，其中激光功率对于检测由于熔化不充分而产生的不连续现象尤为敏感[37]。

本研究构建了一个综合性的计算框架，该框架整合了离散元法、计算流体动力学、多种机器学习方法以及多目标优化技术，用于分析18Ni300马氏体时效钢在激光粉末床熔化工艺不同条件下的熔池形态演变、匙孔行为以及气孔形成规律。计算流体动力学模拟结果表明，较高的体积能量密度会显著增加气孔的形成概率，而较低的能量密度则不会。研究共采用了八种机器学习模型来评估激光粉末床熔化工艺特性的预测能力，其中高斯回归模型取得了最高的R²值和最低的均方误差，显示出更出色的预测精度。通过结合NSGA-II帕累托优化方法，可以找到最优的工艺参数组合。将机器学习模型与离散元法-计算流体动力学模拟相结合，能够在较广的设计空间内获得一致的预测结果，为数据驱动的工艺优化提供了有力支持。这些研究成果为构建工艺控制图以及运用帕累托优化方法指导激光粉末床熔化工艺的高精度制造奠定了基础。

章节要点

材料制备与物理性质

采用激光粉末床熔化工艺制作了由18Ni-300马氏体时效不锈钢制成的高压压铸模具镶件。该镶件在经过一定使用时间后因出现漏水问题而失效（见图1a）。该材料的化学成分分别为：18Ni-4.9Mo-9.1Co-0.7Ti-67.19Fe-0.1Al-0.01Zr（重量百分比）。表1列出了该材料的物理性质。失效的镶件通过电火花加工切割后进行抛光处理，以便观察其微观结构。

样品是通过研磨方式制备的

熔池与匙孔的演变过程

图6展示了失效模具镶件中主要裂纹区域附近的微观结构扫描电镜分析结果。图6a显示，熔池边界处存在大量气孔，这表明在激光粉末床熔化工艺的匙孔形成过程中，可能有空气或气化物质被包裹在其中。图6b则显示了相邻晶粒之间裂纹的起始位置。图6c展示了激光粉末床熔化工艺制件微观结构的变化情况，其中某个晶粒呈现出粗糙的蜂窝状微观结构

结论

本研究构建了一个融合离散元法-计算流体动力学建模、机器学习以及多目标优化技术的综合性计算框架，旨在提升对激光粉末床熔化工艺的理解并实现工艺参数的优化。Yu和Zhao[74]以及Wang等人[75]已经建立了用于激光粉末床熔化工艺的粉末级离散元法-计算流体动力学建模框架，本研究采用的建模方法正是基于这些框架。通过对多种机器学习模型进行的全面比较，本研究为激光粉末床熔化工艺的模型选择提供了重要参考

CRediT作者贡献说明

Xin He：负责原文撰写、可视化处理、结果验证、方法设计、实验研究、资金申请、正式分析、数据整理以及概念构思工作。Xiaoming Wang：负责文章审阅与编辑、项目监督、软件使用、资源协调、项目管理以及概念构思工作。Corey Vian：负责提供相关资源支持。

利益冲突声明

本人/本团队与任何可能对本研究产生不当影响或偏见的个人或机构之间不存在任何财务或个人关系。

Xin He|Xiaoming Wang|Corey Vian