供稿人：王爽、王富 供稿单位：西安交通大学精密微纳制造技术全国重点实验室 发布日期：2024-06-13
增材制造是现代高端装备制造领域的革命性突破技术之一。其中，增材构件的大批量生产和高可靠应用，关键在于制造可重复性、质量可靠性与性能可预测性。而在各向异性组织、广域分布缺陷、深部残余应力和复杂表面粗糙度等诸多因素的共同影响下，基于传统经验模型和有限数据的增材制造金属力学性能预测效率与准确性面临着严峻挑战。近年来，作为大数据与人工智能发展到一定阶段的必然产物机器学习（Machine learning,ML）方法为有效处理高维物理量之间的复杂非线性关系提供了契机，在增材制造力学性能预测领域得到持续关注。该团队综述了机器学习在增材制造材料及构件力学性能预测中的国内外研究进展。首先简述了常见的机器学习算法和通用的机器学习流程，重点分析了融合物理信息的机器学习（Physics-informed machine learning, PIML）方法的特点与构造方式；然后概述了增材制造力学性能四大影响因素的形成原因及机器学习在这些影响因素预测中的应用现状；重点介绍了ML和PIML在增材制造拉伸性能和疲劳断裂性能预测中的代表性研究成果。
图 1 缺陷几何特征与疲劳寿命的机器学习建模
该团队通过对各种影响金属增材制造的因素进行分析，建立模型使用机器学习对性能进行预测，模型包括一是从工艺到性能建模；二是从组织到性能建模；三是工艺-组织-性能的集成建模。而关于增材制造疲劳断裂性能预测研究主要分为两个方面：数据驱动机器学习建模和机理驱动机器学习建模。总体上看，有关增材制造材料及构件的拉伸性能研究较为广泛，重点在于获取微观组织和基本力学性能表现最优的工艺过程。另外，增材制造过程的特殊性导致了材料本身的复杂性，加之在关键承力构件上应用的可能性，有关其疲劳断裂性能成为近 10 年来的研究重点。