领域信息驱动的图神经网络与进化计算：面向增材制造关系属性增强的方法

《Expert Systems with Applications》：Domain-informed graph neural network and evolutionary computations for relational property enhancement in additive manufacturing

　　

摘要

增材制造（AM）中的力学性能预测涉及工艺参数与材料结果之间高度非线性且相互依赖的复杂关系。为应对这一复杂性，我们提出了一种领域驱动的图学习框架，将激光粉末床熔融（LPBF）工艺参数整合到图神经网络（GNN）中以实现力学性能预测。传统表格回归模型虽能捕捉输入变量间的非线性交互作用，但通常独立处理各观测样本；而我们的方法采用图注意力网络（GAT）和GraphSAGE来建模工艺变量及其力学性能之间的相互依赖性。为构建特征空间的主导地位并提升预测性能，我们将面积能量密度作为领域驱动特征引入制造系统中。在知识获取方面，采用异常值过滤和人工监督标记以确保增强的泛化能力。为解释图神经网络架构内部的信息流及拓扑相互依赖关系，我们集成了K近邻（KNN）方法，为模型学习到的关系模式提供了一层结构性可解释性。GAT展现出强大的预测性能，预测精度（R2 = 0.94）优于GraphSAGE。随后，我们采用基于进化算法的多目标优化方法——非支配排序遗传算法（NSGA-II），识别帕累托最优前沿，以表征竞争性平衡的力学性能（即硬度、强度和延展性）。本研究为广泛应用的工业金属增材制造提供了一种基于图的关联学习方法，构建了相互依赖与连接关系，并实现了工艺优化，为智能制造系统贡献了力量。

引言

尽管增材制造（AM）经过数十年的发展进步，近期面临的挑战主要集中在实现理想的零件性能以及理解预制阶段、原位表征与最终质量评估之间错综复杂的联系（Gawade和Chen, 2025）。虽然数值模型（如有限元建模）可以捕捉特定的热学和力学行为，但鲜有研究能够全面地将所有阶段——从生产到质量保证——与所有影响因素联系起来。增材制造正作为一种变革性生产技术崭露头角，能够实现复杂几何结构的制造，同时最大限度地减少材料浪费，并展现出重塑工业设计和制造效率的巨大潜力（Khusheef等, 2024; Nikzad等, 2025）。在增材制造中，特别是用于制造复杂金属零件的激光粉末床熔融（LPBF），高能激光与熔融金属相互作用，这本质上与凝固、几何设计和层沉积密切相关（Hyer, 2020）。此外，冷却环境直接影响微观结构形成，最终决定零件的最终性能；在整个链条中，材料、工艺和质量特征始终紧密关联（Liu等, 2022）。在文献中，利用非线性方法对这些多阶段关系进行建模的尝试十分稀少。然而，近期网络分析技术（如图神经网络）的出现，为基于这些复杂连接构建关系提供了一种有前景的方法。

在先进制造分析领域，图神经网络已成为捕捉科学和工业数据集中固有的复杂关系结构的强大范式（Wang等, 2025）。与受限于规则网格数据的传统神经网络不同，图神经网络利用精巧的信息传递机制，使节点通过连接边从局部邻域中迭代聚合和综合知识（Smit, 2025）。这种邻域特征信息的聚合通过卷积操作实现，其中特征状态利用局部连接性和共享权重矩阵动态更新（Xu等, 2025; Ratna等, 2025）。因此，图神经网络将节点级属性与图基连接性相整合，推广了标准神经网络架构，便于对关系和空间知识进行高度表达性的表征（Zhou, 2020）。在制造应用中，节点可以代表工艺条件、微观结构实体或生产资源，而边则编码空间关系、物理交互或数据驱动的相似性，具体取决于图的构建策略（Qin等, 2024）。此类领域驱动框架的能力已在材料科学领域展现出显著前景，应用于分子性能预测、晶体结构分析和相行为建模等任务（Reiser, 2022）。

科学机器学习方法可大致分为纯数据驱动、领域驱动和理论约束三类。纯数据驱动方法直接从观测数据推断统计关系，而不显式纳入已确立的领域原则。领域驱动方法将物理有意义的变量、工艺衍生描述符或结构归纳偏置引入学习表示中。相比之下，理论约束方法（如物理信息神经网络）将控制微分方程、边界或初始条件以及守恒原理直接纳入训练目标中（Zhu等, 2021）。本文框架属于领域驱动类别，因为已确立的LPBF能量描述符和基于相似性的图拓扑被纳入模型表示中。然而，热学、流体流动、凝固和本构方程并未通过损失函数施加。因此，本研究的贡献在于信息驱动的表示和关联学习，而非理论约束学习。在本研究中，图的边基于工艺条件样本之间的K近邻相似性构建，因此表示的是特征空间中的几何邻近性，而非显式的物理或因果关系。

在此领域驱动图学习背景下，近期研究越来越多地证明了图神经网络在智能制造中的有效性，特别是在微观结构演变、热学建模和力学性能预测方面。例如，Qin等（2024）引入了一种专用的基于GNN的代理模型——GrainGNN，旨在预测LPBF过程中凝固阶段的三维晶粒微观结构演变。通过整合LSTM网络与Transformer模型，其框架将晶粒和晶界编码为动态图结构，使系统能够以高时间保真度推理晶粒粗化和界面运动。此类进展凸显了图神经网络在捕捉增材制造中固有的复杂工艺-结构-性能（PSP）关系方面的卓越有效性，为建模制造数据中的复杂关系依赖提供了替代方法（Saimon等, 2026）。此外，Xiong等（2024）建立了一种专门用于激光增材制造工艺推理的关系知识图谱网络框架。他们的有效形式化了关键LPBF变量之间的复杂相互依赖关系——包括激光功率、扫描速度、能量密度和层厚——为AlSi10Mg晶格结构提供了可靠的性能预测。

超越微观结构演变，图神经网络架构在建模瞬态物理现象方面也展现出显著成功。例如，Raut等（2025）利用图神经网络预测单激光和多激光LPBF应用中的瞬态温度场；通过在有限元数据上训练，其模型平均误差低于4%，证明了其在动态和实时决策支持中的可行性。类似地，Mishra和Jatti（2023）探索了利用图神经网络解码熔融沉积成型（FDM）中复杂数据-性能关系的可能性，特别是预测PLA试样的拉伸强度，R2达到0.78。为进一步提升模型可解释性，Wu等（2024）开发了一种混合框架用于预测LPBF生产的AlSi10Mg合金的疲劳寿命。他们的基于SHAP值和皮尔逊相关系数生成"图形图像"（GI），然后通过集成注意力的卷积网络进行精细化处理以提升预测精度。

在系统层面，Li等（2024）通过将图神经网络与制造服务知识图谱（MSKG）相结合，推进了GNN的应用，用于服务能力的分类，采用邻域特征聚合来缓解不均衡工业数据集的挑战。这种空间-时间推理在Lai等（2023）开发的BSTAN框架中得到进一步体现，该框架利用图注意力网络和门控循环单元来建模站点依赖性和生产延迟。尽管在基于连接性的建模方面取得了这些令人鼓舞的进展，但在LPBF领域具体实施图神经网络以将复杂且高维的工艺特征映射到统一预测结构中——同时实现卓越性能水平——仍属于未充分探索的领域。除基于图神经网络的方法外，深度强化学习与数字孪生平台的集成也已在制造中的复杂决策方面展现出成效，如报废产品的多智能体拆解任务优化[64]。这一事实本质上促使在制造背景下的数据驱动决策中嵌入智能。

在通过基于图的建模从含噪和/或表格实验数据集中实现高精度预测的同时，智能制造的一个关键要求是识别帕累托最优工艺参数。此类优化对于最大化力学性能和在多样化工业应用中实现定制化性能至关重要；然而，鲜有研究探索能够通过多目标优化推荐可操作参数的集成框架。为解决这些相互冲突的目标，进化算法——尤其是Deb等（2002）提出的非支配排序遗传算法II（NSGA-II）——已被广泛用作多目标权衡分析的推理引擎。例如，Cao（2024）将NSGA-II与机器学习集成以优化Ti6Al4V合金的LPBF参数，有效平衡了屈服强度与断裂伸长率。类似地，Yu等（2025）证明多目标进化算法对于揭示LPBF加工钛合金中强度与延展性之间微妙权衡关系至关重要。这一协同效应得到了Hariharasakthisudhan等（2025）的进一步验证，他们将人工神经网络（ANN）与NSGA-II相结合，实现了17-4 PH不锈钢复合材料的最佳配置，成功地在强度、耐磨性和摩擦性这相互竞争的目标之间取得了平衡。此外，Balla等（2024）证实，将NSGA-II应用于AlSi12的LPBF加工能够有效平衡相对密度、表面粗糙度和显微硬度，实验验证的预测误差低于1%。尽管这些研究凸显了NSGA-II作为进化优化的潜力，但将其与图神经网络等高级关联模型集成以用于特定高性能合金的增材制造仍是一个未充分探索的方向。

基于上述文献总结，目前存在一个研究空白：尚未有研究将图神经网络用于预测AlSi10Mg的LPBF力学性能。值得注意的是，此前没有研究将图神经网络方法应用于从增材制造零件的表格工艺数据中预测力学性能。此外，仍迫切需要能够将这些预测模型与多目标优化集成的框架以确定最优工艺参数。因此，受现有文献空白的驱动，本研究提出了一种新颖的基于图神经网络的框架。该框架利用两种图神经网络方法——GAT和GraphSAGE——从加工条件预测LPBF打印零件的力学特征，随后利用NSGA-II识别实现平衡性能的帕累托最优参数。为实现这些目标，设计了以下任务：

i. 为增强图神经网络模型的表现能力，本研究通过引入新的工艺特征来增强特征工程，为图神经网络学习模型创建更具表现力的输入特征空间。

ii. 为应对有限实验数据集的挑战，本研究采用数据预处理流水线，对合成数据进行异常值过滤和人工监督标记以生成和筛选数据，随后进行确认性消融研究以评估这些预处理技术的有效性。

iii. 为揭示工艺特征和参数之间的隐藏关系，本研究利用基于K近邻（KNN）的图结构构建图形表示，以识别图网络中节点间的信息流。

iv. 为验证所提出的图神经网络模型的预测性能，本研究训练GAT和GraphSAGE模型，并在未见过的实验观测数据上使用平均绝对误差（MAE）和R2进行评估。

v. 为实现多种力学性能之间的最优权衡，本研究引入NSGA-II作为优化层，识别工艺参数的帕累托最优组合，从而在冲突性能目标下为工艺条件提供实用建议。

现有增材制造中的图神经网络应用主要集中在空间结构化问题上，如微观结构演变或温度场预测。相比之下，本研究通过将基于相似性的图应用于表格工艺-性能数据，使关联建模在缺乏显式空间连接的情况下成为可能。因此，本研究的贡献在于将图神经网络方法适配到增材制造中不同的数据模态。通过利用图神经网络模型和NSGA-II优化，所提出的框架提供了一种更具韧性和可解释性的力学性能预测方法，在领域驱动的先进制造领域提供了优化工艺和全新的方法途径。

章节片段

**方法论**

本节介绍本研究采用的方法论框架。我们首先定义问题陈述，概述所提出的图神经网络-NSGA-II集成框架。然后详细描述预测和优化模型的公式化，接着阐述验证方法，包括数据集、数据增强和过滤程序，以及用于评估模型性能的评价标准。

**性能预测框架**

本节介绍性能预测框架，详细说明基于图神经网络的预测流水线、数据预处理和图构建程序、模型架构、使用NSGA-II的优化以及模型训练方法。

**结果与讨论**

本节介绍LPBF增材制造中基于图神经网络的集成预测框架及NSGA-II多目标优化在力学性能方面获得的结果。

评估首先对图神经网络架构在建模加工变量与机械响应之间复杂关系方面的预测能力进行评估，并辅以全面的消融实验和统计分析。随后，对优化结果进行总结。

结论：本研究提出了一种利用图神经网络的关系学习能力来预测激光粉末床熔融工艺中AlSi10Mg部件机械性能的新框架。通过将传统的表格制造数据转化为拓扑图结构，该模型能够有效捕捉工艺参数与材料性能之间复杂的非线性依赖关系，而这些关系在孤立的数据分析中往往被掩盖。

作者贡献声明：
- Tarequl Islam：概念化、数据整理、方法论、调查研究、可视化、软件开发、正式分析、验证、初稿撰写。
- Mozammel Mia：概念化、方法论、正式分析、软件开发、可视化、验证、初稿撰写、审阅与编辑、指导。
- Golam Imran：概念化、数据整理、方法论、调查研究、可视化、软件开发、正式分析、验证、初稿撰写。
- Md Imran Hasan Tusar：概念化、数据整理、方法论、调查研究、可视化、软件开发、正式分析、验证、初稿撰写。
- Tanvir Ahmed：概念化、数据整理、方法论、调查研究、可视化、软件开发、正式分析、验证、初稿撰写。

利益冲突声明：作者声明不存在任何已知的、可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢：作者感谢为本次研究提供的支持。本研究的部分工作是在Bowling Green State University（鲍林格林州立大学）使用校内资源完成的。作者还感谢其同事与合作伙伴在讨论和技术见解方面提供的宝贵帮助，这些对研究的发展起到了重要作用。

生成式人工智能辅助技术声明：在准备本文手稿期间，作者使用了ChatGPT（OpenAI）和Gemini（Google）来协助语言编辑、清晰度及结构优化。