基于混合有限元-多任务神经网络的激光粉末床熔融新型AlFeCrX合金加工图预测方法

《Additive Manufacturing》：Hybrid FEM-Multitask Neural Network Approach for Processing Map Prediction in LPBF of Novel AlFeCrX Alloys

　　

•混合有限元法-迁移学习-人工神经网络（FEM-TL-ANN）预测激光粉末床熔融（LPBF）中的熔池几何形状和缺陷
•1386次FEM仿真和108个LPBF实验样本验证了三种新型AlFeCrX合金
•混合FEM-机器学习方法在有限实验条件下优于传统人工神经网络
•加工图谱识别出不熔合（LoF）、全致密和匙孔区域
•上限激光功率阈值限制了全致密件的成型

引言
激光粉末床熔融（LPBF）增材制造技术已在汽车、电子和生物医学等多个领域得到广泛研究，用于制造金属部件[1]、[2]、[3]。LPBF具有材料和时间效率高、设计自由度大以及能够以极高精度将高度复杂的几何形状作为单一部件制造出来等独特优势[4]、[5]、[6]。此外，LPBF固有的高冷却速率及其复杂的多循环热历史可导致独特的微观组织和性能，这是传统制造方法无法实现的[7]、[8]。

然而，LPBF工艺的广泛工业化应用受到若干挑战的限制。工艺诱导缺陷，包括气孔、裂纹、不良相形成、微观组织不均匀性和残余应力，显著影响成型部件的可靠性和性能。这些缺陷可导致力学性能出现变异性，尤其是拉伸屈服强度和延性值存在显著散射，以及疲劳测试结果出现偏差[9]、[10]。

在LPBF的工艺诱导缺陷中，未熔合（LoF）和匙孔气孔是最常见且被广泛认可的两种气孔类型[11]。LoF气孔源于粉末材料的不完全熔化，通常由过高的扫描速度或相对于粉末层厚度过低的激光功率导致输入能量不足引起。这些气孔具有较宽的尺寸分布，其特征为不规则的尖锐形态，在机械载荷条件下充当应力集中点。因此，LoF气孔可严重降低成型部件的力学性能[9]、[12]、[13]。相比之下，匙孔气孔由过量能量输入引起，通常由高激光功率与低扫描速度的组合造成。在这些条件下，材料剧烈气化导致形成蒸气腔，在熔池中产生一个深而窄的凹陷，即匙孔熔池模式[14]、[15]、[16]、[17]。产生的气孔通常呈球形。当气孔尺寸和体积分数较低时，匙孔气孔对成型部件力学性能的不利影响有限[18]、[19]。

为确定LPBF中缺陷最小化生产的最佳加工窗口，可采用试错法和各种实验监控技术。近年来，大量研究采用实验技术调查熔池几何/动力学与气孔产生之间的相关性[20]、[21]、[22]、[23]。其中，熔池监控受到极大关注，因为未熔合和匙孔气孔等常见缺陷的形成与熔池流体动力学密切相关[24]、[25]。然而，这些实验方法通常成本高昂、耗时且空间和时间分辨率有限。

为克服这些局限性，数值建模已成为一种强大的补充工具。特别是，基于物理的模型如有限元法（FEM）[26]、[27]和数据驱动方法[28]、[29]、[30]因其以更低成本和更高效率优化工艺参数以减少LPBF缺陷的潜力而受到显著关注。

在LPBF的语境中，FEM是解决复杂工艺相关现象的关键计算工具。一个基本方面是热分析，它可以预测LPBF过程中的温度分布和热梯度。这些见解对于预见和最小化工艺诱导缺陷（如变形、加工过程中的相变和残余应力发展）至关重要[31]、[32]、[33]。LPBF工艺建模的另一个关键方面是熔池几何形状和动力学的模拟。生产具有预期力学性能无缺陷部件的关键在于熔池的稳定性和几何形状。熔池宽度和深度等几何参数决定了层厚度和光斑间距的适当选择[34]、[35]。当熔池相对于这些参数尺寸不足时，相邻扫描道或层之间重叠不足可能导致未熔合缺陷[36]。另一方面，熔池动力学在控制向不稳定匙孔区域的转变以及防止与匙孔不稳定性相关的缺陷方面起着关键作用[16]、[17]、[37]。

Morvayová等人[38]提出了一种介观力学-热-流体有限元模型来预测未熔合（LoF）缺陷的体积和几何形状，该模型通过熔池尺寸测量进行了实验验证。尽管该模型仅限于预测LoF缺陷，但它在计算效率与物理保真度和几何细节之间取得了适当的平衡。虽然FEM提供了详细的热力学见解并作为优化工艺参数的宝贵工具，但其计算代价高昂。这主要是由于需要同时解析LPBF中复杂耦合物理，包括热传递、熔池流体动力学、蒸发、化学反应和激光-粉末相互作用[39]。

另一方面，机器学习（ML）技术为准确预测LPBF过程中的复杂现象提供了强大替代方案，该过程涉及大量相互依赖的参数以及加工条件与材料热物理性质之间高度非线性的关系。当使用可靠且具有代表性的数据进行训练时，ML模型可以快速高效地识别最佳加工窗口，从而提高部件密度和力学性能[40]、[41]。然而，仅依靠使用实验数据训练的ML模型可能成本高昂，因为生成足够大且多样化的数据集需要大量的时间和精力。

由于LPBF过程固有的复杂多物理场和多尺度特性，以及打印件质量对加工参数的显著敏感性，增材制造面临重大建模挑战。因此，该领域经历了从纯粹的物理基建模向结合物理基仿真与数据驱动方法的集成方法转变[36]。Olleak和Xi[42]提出了一种多保真度框架，将基于FEM的仿真与数据驱动建模相结合，使用14个实验熔池尺寸测量进行校准和验证。该方法用FEM输出替代昂贵的实验数据来训练ML模型，实现了高效准确的熔池尺寸预测。Zhang等人[43]使用FEM仿真数据训练机器学习模型来预测LPBF中的残余应力和变形。其集成方法实现了高达94%的变形减少，为该工艺中的应力预测和变形缓解提供了强大工具。

另一方面，迁移学习（TL）为连接各种数据源提供了可能性。它通过复用从训练良好的源域中获得的知识来提高目标域在数据有限的情况下性能，从而实现物理基模型与数据驱动模型的集成。例如，由物理基FEM生成的数据可用于训练初始模型，然后用少量实验数据进行微调以适应目标任务[44]、[45]。因此，TL通过减少昂贵的实验数据量实现准确预测来增强LPBF FEM建模。这导致更快的开发速度、更低的成本和更好的跨不同LPBF场景的泛化能力[46]。Huang等人提出了一种使用TL的多保真度点云ANN来预测熔池热轮廓。该模型最初使用低保真度解析数据进行训练，然后用高保真度仿真数据精炼以提高预测精度[47]。当前作者的先前研究[48]使用基于"熔池网络数据集"[25]的机器学习方法调查了AlSi10Mg合金和316L钢的全致密-LoF缺陷边界的预测。该数据集汇编了在不同材料体系（包括钢、镍基高温合金、钛合金和铝合金）和广泛加工条件下的熔池尺寸。由于材料性质（如熔点和导热系数）的显著差异，应用机器学习技术时只能捕捉到一般平均趋势。因此，与使用更同质化的材料特异性数据库（如本研究为铝合金开发的数据库）所能达到的精度相比，预测精度有限。

本研究提出了一种将FEM仿真与人工神经网络（ANN）和迁移学习相结合、用于预测熔池尺寸和缺陷类型（特别是LoF和匙孔气孔）并生成三种新型铝合金（AlFeCrSi、AlFeCrTi和AlFeCrSiTi，专门为LPBF设计）的LPBF加工图谱的混合建模方法。关于新型铝合金的设计和加工更多细节可参考[49]。首先，采用FEM生成基于物理的熔池特征数据集（1386个数据点），综合考虑了多种材料参数（熔点（Tm）、热容（Cp）、固相线和液相线温度（Ts、Tl）、导热系数（k）、粘度（μ）等）和加工参数值（激光功率、扫描速度、曝光时间、能量密度以及关键合金元素的原子百分比）。随后，使用从FEM仿真中提取的数据训练源ANN模型以捕捉潜在的物理基趋势。该模型随后使用从108个增材制造样本中收集的实验数据进行TL微调，涵盖三种合金和36种不同的加工条件。TL被用于有效地弥合仿真与实验领域之间的差距。

与依赖大量实验数据集的纯数据驱动方法相比，所提出的方法通过利用FEM中的物理指导特征，在显著减少实验数据量的同时实现了高预测精度。这使得该方法对于新型材料的增材制造尤为有利，因为文献中几乎没有或没有先前数据。

章节摘要

方法学
本研究开发的混合方法集成了四个关键步骤：(i) 通过Thermo-Calc进行计算热力学以计算复杂合金的温度相关材料性质；(ii) 使用COMSOL软件进行脉冲LPBF过程的多物理场FEM；(iii) 在广泛条件下对三种新型合金进行实验性AM LPBF样品制备及其缺陷确定；以及(iv) 结合ANN和迁移学习的数据驱动机器学习框架。

合金制备
本研究调查了三种合金成分：(i) Al–2.3Fe–2.7Cr–1.6Si (at%)，(ii) Al–2.1Fe–1.6Cr–1.2Ti (at%)，以及(iii) Al–1.8Fe–1.4Cr–1.1Ti–1.2Si (at%)。以下分别将这些合金称为AlFeCrSi、AlFeCrTi和AlFeCrSiTi。

AlFeCrSi粉末通过在约1100°C下的感应炉中、在氩气氛围下使用黏土-石墨坩埚将纯铝（99.9%）与商用中间合金Al–25Fe、Al–20Cr和Al–20Si (wt.%) 熔化制备。然后将熔体...

温度相关热物理性质
图4展示了使用计算热力学计算所得的所研究合金的温度相关热容（Cp）、导热系数（k）、动力粘度（μ）和表面张力（γ）。这些性质直接影响LPBF过程中的热传递、熔池动力学和缺陷形成，必须考虑其温度依赖性以准确捕捉脉冲激光-材料相互作用。

三种合金在热容方面表现出相似的趋势，

结论
在本研究中，我们开发了一种混合FEM-TL-ANN建模框架，用于预测三种专门为LPBF设计的新型铝基合金（AlFeCrSi、AlFeCrTi、AlFeCrSiTi）的缺陷类型和加工参数图谱（激光功率-激光扫描速度-熔池几何形状-缺陷）。获得了包含1386个熔池的FEM熔池数据库，这些熔池通过多种LPBF和材料参数组合获得。此外，对108个实验增材制造样品进行了表征，

CRediT作者贡献声明
C.M. Cepeda-Jiménez：撰写—审阅与编辑，监督，资源，项目管理，方法学，资金获取，形式分析，概念构思。
A. Orozco-Caballero：撰写—审阅与编辑，监督，形式分析。
Bahari-Sambran Farid：撰写—初稿，可视化，验证，软件，方法学，调查研究，形式分析，数据管理，概念构思。
Carre?o Fernando：撰写—审阅与编辑，监督，方法学，调查研究，

利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢
导致这些结果的研究获得了西班牙科学与创新部（MCIU/AEI/10.13039/501100011033）在PID2020-118626RB-I00和PID2023-152337OB-I00项目下的资助。FBS感谢西班牙科学与创新部颁发的FPI奖学金（资助号PRE2021-096977）。我们感谢CENIM的显微分析和增材制造实验室对实验程序提供的支持。

F. Bahari-Sambran | F. Carre?o | A. Orozco-Caballero | C.M. Cepeda-Jiménez