增材製造（俗稱3D列印）目前已被廣泛用於汽車、醫療、航天等不同領域，尤其是鐳射粉末熔融技術（laser powder bed fusion, LPBF）被成功地應用於多種金屬合金的增材製造。此技術實現過程中一個普遍的問題是如何針對特定材料選擇加工引數，即加工引數最佳化工作。特別是針對新材料開發時，往往會耗費大量的時間和資金才可以得到較為合適的加工引數。如果加工引數選擇不當，製造出的產品往往得不到高質量密度或存在裂紋、孔隙等問題，進而機械效能也不盡人意。

澳大利亞新南威爾士大學的研究人員透過對AlSi10Mg合金的研究，提出了一種基於機器學習的引數最佳化方案，並透過影象識別技術更全面細緻地刻畫了材料顯微結構特徵。此研究最終闡述並建立了“列印過程引數-材料顯微結構-材料機械效能”三者之間的量化關係，對於材料的工業應用具有指導性作用。相關論文以題為“Machine-learning assisted laser powder bed fusion process optimization for AlSi10Mg: New microstructure description indices and fracture mechanisms”發表在金屬材料頂級期刊Acta Materialia.

論文連結：

https://doi.org/10.1016/j.actamat.2020.10.010

本研究選擇AlSi10Mg為目標材料，透過LPBF技術以不同的列印引數加工出一定量的塊體材料，進行密度測量後作為輸入訓練集，透過高斯過程迴歸（Gaussian process regression, GPR）進行引數最佳化，從而得到一個範圍較大的最佳化引數視窗，而不僅僅是一組最佳化引數，來為科研人員或材料使用者提供更多的加工引數選擇。在得到最佳化引數視窗後（可以得到密度大於99%樣品的列印引數區域），五組新的列印引數被挑選出來作為驗證集測試預測準確性。實驗結果表明，高斯過程迴歸可以在較少訓練資料的情況下保持較高的預測準確性。更廣的引數選擇範圍為材料發展提供了更多的可能性與更靈活的應用性。

圖1 （a）不同列印引數下的加工塊體的物理密度；（b）高斯過程迴歸預測響應曲面；（c）預測值的預測誤差

圖2 （a）高斯過程迴歸預測列印密度2D平面等高線圖，橘色區域為最佳化引數視窗區（密度>99%）；（b）五個新列印引數，作為驗證集樣品驗證預測準確性

從密度最佳化引數視窗新選擇出來的五組列印引數，被用來製備更多的樣品用於顯微結構刻畫與機械效能測試。本研究透過利用影象識別技術（Image processing， IP）與主成分分析技術（Principal components analysis， PCA），基於10個影象特徵全新構建了兩個顯微結構特徵引數Id與Is，以此更全面地刻畫、表徵出Al-Si胞狀結構顯微特徵。此外，本研究還進行了硬度測試、拉伸測試以及斷裂韌性測試，從多方面反應材料的機械錶現效能。透過機器學習預測所得出的較大引數最佳化視窗，我們發現了更多新的最佳化列印引數，列印試樣最終得到了此前未達到的機械效能。

圖3 AlSi10Mg電子顯微結構及晶粒結構

圖4 兩個新型顯微結構特徵引數，分別刻畫胞狀結構的尺寸維度與形狀維度

圖5 AlSi10Mg的硬度、拉伸曲線及斷裂韌性曲線

圖6 拉伸及斷裂的斷口分析圖

圖7 本研究中五個驗證集列印引數表現出令人滿意的機械效能，在具有較高強度的同時保持了較高的延展性

*感謝論文作者團隊對本文的大力支援