基于物理信息级联学习框架的渗碳钢齿轮激光熔覆工艺参数设计与优化研究

《Materials》：Physics-Informed Cascaded Learning for Predicting and Optimizing Geometry and Quality in Laser Cladding Repair of Carburized Gear Steel

　　

摘要

激光熔覆在渗碳钢齿轮修复方面前景广阔，但在需同时考虑覆层几何形状、基体热扰动及形貌质量的情况下，工艺参数选择极具挑战性。本研究在渗碳淬火18CrNiMo7-6钢上沉积了十五道NHT.22.A01铁基粉末熔覆道，系统变化了激光功率、扫描速度和送粉速率。采用一种物理信息驱动的级联学习框架，预测熔覆道宽度、高度、Ac₁相界深度及综合质量指标。采用留一法进行折外验证，将宽度预测结果传递至高度和深度模型以避免目标泄露。引入连续质量辅助指标，实现了质量与高硬度层深度的双目标优化；结合多指标工艺图谱与局部敏感性分析，支持参数的快速调整。留一法验证的三项几何响应量的R²值介于0.934至0.968之间，在未见过的边界条件下最大相对误差为4.3%。拟合得到的热影响区深度与熔覆道宽度比例系数（0.211）落在Rosenthal理论范围（0.15–0.25）内，证实了级联关系的物理一致性。优化结果表明质量与高硬度层深度之间存在权衡关系；在已包含于训练集中的条件组合下最大化预测的高硬度层深度。独立批次重复实验验证了方法的可重复性。通过整合泄露控制的级联学习、物理可解释的验证方法、约束优化及敏感性解析的工艺图谱，本框架为小样本激光熔覆工艺设计提供了一条透明且实用可行的路径。