基于物理信息的深度学习替代模型用于激光粉末床熔融中热历史与硬度的实时预测

《Computational Materials Science》：Towards real-time prediction of thermal history and hardness in laser powder bed fusion using deep learning

　　

针对激光粉末床熔融（PBF-LB）过程，研究人员提出了一种基于物理信息的深度学习（DL）替代模型，用于实时预测局部温度历史及派生硬度。该模型采用长短期记忆（LSTM）框架捕捉路径依赖的热历史，并在多尺度有限元（FE）模拟生成的高保真温度数据上训练。在独立测试集上，温度预测均方根误差为（2.6±1.2）K。通过将预测热历史代入Hollomon–Jaffe关系，研究人员实现了局部硬度的推导预测。该方法避免了传统FE模拟的高计算成本，为马氏体调质钢（如AISI 4140）在PBF-LB中的工艺优化与实时数据驱动控制提供了高效、物理一致的建模途径。

研究背景方面，激光粉末床熔融（PBF-LB）虽具备高几何设计自由度，但马氏体调质钢（如AISI 4140/42CrMo4）因开裂、残余应力及工艺控制困难而应用受限。此类钢件的局部微观组织与硬度由工艺过程中固有的热处理（即逐层重复的高度局部化加热-冷却循环）决定，而极端升温/冷却速率使实验表征困难。现有有限元（FE）研究多针对无固态相变合金并采用简化能量输入，难以捕捉局部热历史；且FE计算成本高，无法支持实时预测。数据驱动方法中，循环神经网络（RNN）及其门控变体适于路径依赖序列，但既往研究多关注定向能量沉积（DED）或未耦合固态相变与硬度模型；物理信息神经网络（PINN）虽嵌入控制方程却面临移动热源与材料非线性挑战。已有研究分别展示了热历史重建、几何可迁移热替代模型及硬度预测，但缺乏将完整多循环热历史预测与相变/非等温回火耦合以得到局部硬度的计算高效框架。因此，研究人员开展本研究，以AISI 4140为对象，构建物理信息LSTM替代模型，填补PBF-LB中“过程-结构-属性”高效集成预测的空白。

关键技术方法上，研究人员采用Abaqus/Standard结合Fortran用户子程序建立多尺度瞬态热传导FE模型，激光源用双椭球Goldak模型校准，材料热力学属性随温度/相变变化并通过UMATHT实现修正Johnson–Mehl–Avrami–Kolmogorov（JMAK）相变方程；边界条件含固定基板温度、绝热侧界及顶部对流-辐射。FE输出经Python后处理存为HDF5，提取扫描矢量坐标、功率P、扫描速度v、铺粉角α_SV、层厚t_S等，构建点位置依赖的物理派生特征（激光-点距离等）。深度学习端用PyTorch实现sequence-to-sequence LSTM集成，以自回归方式预测逐点温度序列，并以Hollomon–Jaffe参数P_HJ由热历史求维氏硬度HV1。训练数据来自SLM280设备参数生成的构建作业仿真，涵盖多层完全冷却至基板温度的过程。

研究结果部分，引言指出PBF-LB中局部路径依赖热历史主导微观组织与硬度，常规FE昂贵，需高效替代模型。文献综述与研究缺口一节阐明RNN/LSTM、RGNN、TCN、PINN等架构适用边界，界定本文“物理信息”指仿真数据+物理派生特征+热历史耦合回火关系，而非损失函数嵌方程，从而明确创新点为集成热历史重建与硬度传播。方法节中有限元过程模拟小节描述多尺度FE框架（近场Goldak、中场扫描矢量等效、远场面积等效）及AISI 4140的奥氏体/贝氏体/马氏体转变与碳化物析出模型；深度学习模型小节说明LSTM门控机制适配短加热-长冷却序列，数据集仅取金卡源中尺度域点，包含层间驻留冷却。研究人员考察三种LSTM容量灵敏度，选最优为基准。摘要级结论显示：独立测试集温度RMSE（2.6±1.2）K；LSTM集成相对FE在峰值温、终温及硬度上一致；特征相关性分析表明物理派生距离特征贡献显著，且在未见工艺/几何条件下可泛化；替代模型相较FE获得数个数量级加速，具备实时工艺优化潜力。

讨论与结论翻译：研究人员论证了物理信息LSTM替代模型在PBF-LB马氏体钢中预测局部热历史与硬度的可行性，模型容量存在敏感但适中规模已足；相对FE的全局与工艺特定指标均吻合；特征归因与跨条件泛化支持其物理合理性；计算加速达实时层级，为工艺优化与长期在线属性控制提供基础。该研究通过将物理基多尺度FE与定制LSTM替代结合，贡献了一个有物理依据且计算高效的PBF-LB过程-结构-属性建模框架，并指明走向实时预测的清晰路径。论文发表于《Computational Materials Science》。