## 中文标题 物理引导的镍钛合金激光粉末床熔融熔池预测与工艺稳定性决策支持框架

《Materials》：Physics-Guided Decision-Support Framework for Melt Pool Prediction and Process Stability in Laser Powder Bed Fusion of Nitinol

　　

镍钛（NiTi）合金的粉末床熔融-激光束（PBF-LB）技术因其形状记忆效应和超弹性特性，以及制造复杂几何结构的能力，在航空航天、生物医学和能源领域引起了越来越多的关注。然而，NiTi对热历史和工艺变异的强敏感性使得预测建模和工艺参数选择具有挑战性。本研究开发了一种物理引导的决策支持框架，用于NiTi PBF-LB加工过程中的熔池预测和稳定性评估。研究人员建立了一个高保真热有限元模型，该模型纳入了基于CALPHAD方法获得的温度相关材料属性，并使用实验测量子集进行了校准，随后利用额外的实验熔池数据进行了独立验证。校准后的模型与实验表现出良好的一致性，在验证数据集上熔池宽度和深度的平均绝对百分比误差分别为4.22%和5.63%。研究人员在验证后的仿真数据集上训练了一个多输出随机森林代理模型，该模型能够快速预测熔池几何特征，测试集R2值超过0.95，同时具有较低的MAE和RMSE值，五折交叉验证进一步确认了其稳健的预测性能。该框架将代理模型预测与基于物理的熔池稳定性判据相结合，能够快速识别物理上可行的加工条件，从而为未来的监督式工艺控制策略提供了计算高效的坚实基础。

## 论文解读文章

### 研究背景与意义

镍钛（NiTi）合金凭借其独特的形状记忆效应和超弹性特性，在航空航天、生物医学及能源领域具有广阔的应用前景。粉末床熔融-激光束（PBF-LB）增材制造技术能够将NiTi合金加工为具有定制热力学性能的复杂几何构件，因而受到学术界与工业界的广泛关注。然而，NiTi合金对加工过程中的热历史极为敏感，熔池特性直接影响凝固条件、相变行为和缺陷形成。激光功率、扫描速度、光束直径和层厚等参数的波动可能导致不稳定的熔池状态，进而产生未熔合、匙孔和球化等缺陷。因此，实现稳定的热传导模式熔池对于控制微观组织演变、确保零件质量和功能性能至关重要。

高保真数值模拟，特别是基于有限元方法的热模型，能够为熔池演变和潜热传递机制提供深入见解，但其高昂的计算成本严重限制了其在快速工艺探索、优化和实时决策中的应用。近年来，机器学习技术被用于预测激光增材制造中的熔池特征，但多数方法纯数据驱动，缺乏物理可解释性，且对非物理预测缺乏有效约束。在制造工艺控制与优化背景下，数学上最优的解决方案可能对应物理上不稳定或不可制造的工艺区间，这一缺陷严重制约了其实际应用。为解决上述问题，物理引导的数字孪生范式应运而生，其将数据驱动的代理模型与显式物理约束、领域知识和决策逻辑相结合，既能快速预测工艺结果，又能评估工艺稳定性并以物理上有意义的方式指导参数选择。

### 研究技术与方法

研究人员开发了一种离线物理引导决策支持框架，用于NiTi PBF-LB加工中的熔池预测和稳定性评估。该框架的核心组件包括：基于ANSYS Additive Manufacturing Process Parameters (AMPP)的高保真三维瞬态热有限元模型，该模型采用CALPHAD方法在Thermo-Calc 2025a软件中获得的温度相关NiTi热物理属性；多输出随机森林回归代理模型，以近似热仿真响应；物理引导的决策引擎，通过无量纲几何比判据对熔池加工状态进行分类和参数优选；以及基于Tkinter框架开发的图形用户界面。单道实验在Aconity MINI金属增材制造系统上进行，使用预合金NiTi粉末（50.54 at.% Ni，49.46 at.% Ti，粒径15–53 μm），采用6×6因子设计矩阵涵盖激光功率150–200 W和扫描速度500–1000 mm/s共36种工艺条件。实验样本中约四分之一（样本10–18）用于热模型校准，其余（样本1–9和19–36）保留用于独立验证。熔池宽度和深度通过Keyence VHX-1三维光学显微镜量化，同时利用双色高温计获取红外热辐射数据进行热行为分析。

### 研究结果

#### 红外数据与实验熔池趋势分析

红外热像数据显示，熔池温度随激光功率增大而升高，随扫描速度增大而降低，这与能量密度对熔池温度和尺寸的影响规律一致。实验测量结果表明，熔池宽度和深度均随激光功率增加而系统性地增大，随扫描速度增加而减小，与红外温度数据的趋势吻合，符合激光增材制造领域公认的热物理规律。

#### 热模型性能

经校准的热有限元模型在独立验证数据集上展现了良好的预测精度，熔池宽度和深度的平均绝对百分比误差分别为4.22%和5.63%。模型校准通过调整高斯热源参数（激光吸收率和穿透深度）实现，而所有CALPHAD推导的热物理属性均保持不变。验证后的模型被用于系统性地扩展数据集，覆盖693种工艺参数组合（三种层厚、三种光束直径、十一个激光功率水平和七种扫描速度），为代理模型训练提供了全面的数据基础。

#### 代理模型性能

多输出随机森林代理模型在独立测试集上表现出优异的预测精度：熔池宽度R2=0.976，MAE=6.19 μm，RMSE=8.17 μm；熔池深度R2=0.993，MAE=3.57 μm，RMSE=5.72 μm；参考宽度R2=0.968，MAE=6.90 μm，RMSE=10.42 μm；参考深度R2=0.985，MAE=4.01 μm，RMSE=6.00 μm；熔池长度R2=0.987，MAE=20.70 μm，RMSE=28.16 μm。五折交叉验证的平均R2值分别为0.964、0.988、0.962、0.980和0.982，且标准差较小，表明模型具有稳健的预测性能和良好的泛化能力。

#### 物理引导的熔池状态分类

框架采用基于物理的规则分类体系，通过参考深宽比（R_D/W）和熔池长宽比（R_L/W）两个无量纲几何描述符对熔池加工状态进行分类。分类标准包括：未熔合（参考熔池深度小于沉积层厚度的约85%）、稳定热传导模式（R_D/W介于0.30-0.65，参考深度超过层厚且R_L/W低于4）、匙孔模式（R_D/W＞0.65且参考深度超过层厚约1.5倍）、过渡区域以及球化（R_L/W＞4）。这些判据通过36组实验单道熔池截面形态进行了校准，确保分类结果与实验观察一致。

#### 物理约束的工艺参数搜索与工艺图验证

决策引擎将输入参数限制在经过验证的设计空间内，防止外推至代理模型不可靠的操作域。通过离散参数搜索结合标量化的稳定性目标函数（参考深宽比接近0.5，长宽比介于2-3之间），框架能够识别最接近稳定热传导形态的参数组合。生成的物理引导工艺图表明，对应30 μm层厚和80 μm光束直径的工艺图与36组单道实验的验证结果吻合良好，而扩展到其他层厚和光束直径组合的工艺图则展示了框架在未经实验验证的扩展工艺空间中快速探索的能力。

#### 离线数字孪生的解读与启示

特征重要性分析揭示了不同熔池尺寸受不同工艺参数主导：熔池宽度主要由扫描速度和激光功率控制；熔池深度由光束直径和层厚主导；熔池长度对光束直径和激光功率最敏感。偏依赖图进一步展示了单调且物理一致的趋势，与红外数据和实验分析相吻合。框架采用模块化Python架构实现，包含预测、状态分类和决策引擎等独立组件，便于可复现部署和未来扩展。尽管当前热模型未显式考虑熔池流体流动、马兰戈尼对流、反冲压力和蒸发等物理现象，但经过实验校准和独立验证的热模型能够在所研究的工艺窗口内准确捕获主导熔池宽度和深度的热行为。

#### 局限性与未来展望

本研究的局限性包括：代理模型仅基于仿真数据训练，受底层热模型假设和保真度的限制；状态分类仅依赖几何判据，未显式考虑极端加工条件下影响熔池稳定性的流体流动、汽化和飞溅动力学；实验验证在固定光束直径和层厚条件下进行，扩展工艺空间仅经过数值验证。未来工作将集中于整合混合仿真-实验数据集和原位监测数据，扩展至零件尺度预测（包括孔隙率、表面粗糙度和残余应力），以及与熔池成像或高温测量等原位传感方式集成以实现闭环控制和连续模型更新。

### 研究结论

本研究开发了一种离线物理引导决策支持框架，用于NiTi PBF-LB加工中的熔池行为预测和工艺参数选择支持。研究人员首先建立了高保真热有限元模型，并通过单道实验测量和基于CALPHAD方法获得的温度相关热物理属性进行了校准。校准后的热模型与实验观察高度吻合，熔池宽度和深度的预测精度均超过90%。在验证后的热模型基础上，研究人员在广泛的工艺参数范围内生成了包含熔池宽度、深度和长度的综合数据集，并利用该数据集训练了一个多输出随机森林代理模型，其能够以高计算效率快速预测熔池几何特征，所有熔池描述符的决定系数（R2）均大于0.95，且相对于热模型输出具有较低的平均绝对误差（MAE）和均方根误差（RMSE）。为确保物理可解释性和可制造性，框架嵌入了基于物理的几何判据以对熔池状态进行分类，包括未熔合、匙孔模式、球化和稳定热传导模式。通过将这些判据与代理模型预测相结合，该物理引导系统作为决策引擎，能够识别有利于稳定热传导模式熔化的工艺参数组合，并开发了图形用户界面以促进框架的交互式使用。尽管当前实现侧重于微尺度熔池预测，该框架本质上具有可扩展性，未来工作将瞄准中尺度、微尺度和零件尺度预测，以及与原位传感和制造硬件的集成，以最终实现自适应和智能增材制造系统。总体而言，本研究证明了将高保真热建模与数据驱动代理模型和基于物理的决策逻辑相结合，为NiTi PBF-LB中的熔池预测、状态识别和工艺参数选择提供了一种强大且可扩展的方法。