文章题目：Machine learning assisted quality control in metal additive manufacturing: a review.
出版信息：Adv. Powder Mater. 4(2025)100342
共同一作：胡泽启，黄长林
通信作者：谢乐春，华林，张来昌
本综述聚焦于机器学习辅助金属增材制造成形质量控制优化及预测研究。基于金属增材制造质量控制的过程，研究主要包括六个方面，并探讨了该领域面临的挑战，同时提出了机器学习在金属增材制造领域的未来发展方向。
增材制造（AM
）技术凭借显著的设计灵活性推动了金属零部件制造技术的发展，但其在关键领域的应用仍因难以确保质量与性能的一致性而受限。工艺波动易导致缺陷、几何精度不足及材料性能不佳等问题，而传统质量控制方法在建模高维非线性关系和实现自适应控制方面存在局限性，致使这些问题难以有效管控。机器学习（ML）技术通过利用增材制造丰富的数据环境，为复杂工艺-结构-性能关系建模提供了革命性解决方案。本研究系统综述了机器学习在金属增材制造质量保障中的应用实践：首先创新性地探讨了机器学习在预测和理解影响构件质量的核心多物理场（包括温度场、流体动力学和应力/应变演化）方面的突破性探索；随后详细论述了机器学习在优化关键质量指标中的应用，包括缺陷检测与消除（孔隙、裂纹等）、几何保真度提升（尺寸精度、表面粗糙度等）以及材料性能调控（机械强度、疲劳寿命、耐腐蚀性等）；最后讨论了基于机器学习的实时闭环智能质量控制系统开发，以及应对金属增材制造数据稀缺性和跨场景可迁移性问题的策略。本文为机器学习技术在金属增材制造质量控制应用的深远潜力提供了新颖视角，指出了研究过程中面临的挑战，并展望了未来发展方向。
图 1. 金属增材制造中机器学习辅助质量控制综述框架。
金属增材制造，通过逐层累加的方式构建实体，彻底颠覆了传统“减材”或“等材”制造的理念，赋予了产品前所未有的设计自由度，特别是在制造复杂结构和拓扑优化部件方面展现出巨大潜力。然而，这一变革性技术迈向交通运载、能源、医疗、工程机械等关键领域的应用面临诸多挑战。其核心在于“过程复杂性”与“质量稳定性”之间的矛盾。金属增材制造过程中，高能束与金属粉末/丝材的交互涉及极高的温度梯度及冷却速度，形成了复杂的动态多物理场环境。这种内在的工艺波动性极易导致各类缺陷（如孔隙、裂纹）、几何形状偏差（如翘曲变形、表面粗糙）以及材料微观组织和力学性能的不稳定。传统的质量控制手段，如依赖经验的试错法，不仅耗时耗力、成本高昂，且在多参数优化空间中难以找到全局最优解；基于物理的数值模拟虽然能提供深入的物理信息，但巨大的计算成本限制了其在实时控制和大规模优化中的应用；而传统的离线检测方法则存在反馈滞后的问题，无法实现过程中的动态纠偏。在智能制造时代，迫切需要一种能实时、智能、精准地控制增材制造过程的先进技术。机器学习技术凭借其强大的非线性建模、模式识别和数据驱动决策能力，成为应对这一挑战的理想工具。它能够从增材制造过程中海量的多源异构数据（传感器信号、图像、工艺参数等）中学习，构建从工艺输入到质量输出的精确映射模型，从而实现质量的预测、优化和实时闭环控制，为金属增材制造的广泛应用铺平道路。
（1）从多物理场本质出发，系统构建ML与质量关联的新视角。从最根本的 Multi-physics fields （温度场、流体动力学、应力/应变场）这一层面开始分析，系统性地综述了机器学习如何用于预测和理解决定金属增材制造零件成形质量的基础物理机制。
（2）桥接基础物理场与最终零件质量，阐明ML驱动的质量优化新机制。明确地搭建了基础物理场与最终零件质量属性之间的桥梁，详细讨论了如何利用机器学习对物理机理的洞察来优化关键质量属性（如缺陷抑制、几何保真度、材料性能调控），系统阐明了基于机器学习的多物理场预测
/控制与最终质量优化之间的关联机制。
（3）聚焦ML驱动的实时闭环控制与数据挑战，探索质量保证的新路径。致力于探索代表智能质量保证终极目标的、由机器学习驱动的实时闭环控制系统，并通过综述先进策略来解决数据稀缺这一关键挑战。这种通过跨尺度协调、多模态数据融合和反馈优化实现的全程调控，为融入数字孪生和边缘计算等先进技术铺平了道路，指明了未来的关键研究方向。
1. 概述
本综述旨在系统性地阐述机器学习在金属增材制造质量控制领域的研究进展。文章首先简要回顾了传统质量控制方法（试错法、数值模拟、离线检测）的优势与局限性，为引入机器学习的必要性奠定基础。随后，作为综述的核心，文章深入剖析了机器学习在多个关键层面的应用：首先是从物理第一性原理出发，探讨其在多物理场（温度、流体、应力）预测中的应用，揭示工艺过程的内在机理；接着，将物理场与实际质量相关联，详细论述了机器学习在微观组织预测与缺陷检测、几何精度与表面质量优化、以及力学与使役性能（疲劳、腐蚀等）定制方面的研究进展。文章随后讨论了实现智能制造终极形态的实时闭环控制技术。最后，针对该领域普遍存在的数据稀缺难题，系统总结了多种先进的机器学习应对策略。
2. 传统增材制造质量控制方法
传统的金属增材制造质量控制体系主要依赖于经验试错法、数值模拟分析和离线检测评估。经验试错法通过大量的实验来摸索合适的工艺参数窗口，这种方法虽然直观，但效率低下、成本高昂，且在面对新材料或复杂结构时往往捉襟见肘，难以实现全局最优化。数值模拟，如有限元法（FEM）和计算流体力学（CFD），能够在一定程度上预测熔池行为、温度演变和缺陷形成，为工艺优化提供理论指导，从而减少了物理实验的次数。例如，Cao等人利用动态网格技术高效模拟了粉末床熔融过程中的熔池形态，其模拟结果与实验观察展现出高度的一致性，证明了模拟在理解物理机制上的重要价值。然而，数值模拟的瓶颈在于其巨大的计算开销和对材料物性参数精确度的极高依赖，使其难以用于实时指导。离线检测，如CT扫描、金相分析和力学性能测试，能够对产品进行精准的判定，提供高精度的质量数据。Karna等人通过对不同增材工艺参数下AA6061铝合金样品的检测，发现相对密度与体积能量密度（VED）之间存在复杂的非线性关系，微小的VED变化就可能导致孔隙率急剧增加。但其最大的弊端在于反馈的严重滞后性，无法在制造过程中进行任何干预，一旦发现问题，损失已经造成。总而言之，这些传统方法本质上是“开环”的，缺乏实时预测、在线反馈和自适应调控的能力，无法有效应对金属AM过程内在的动态波动性，限制了其在高性能、高可靠性领域的规模化应用。
图 2.（a）不同功率下增材制造的SS316L表面粗糙度变化；（b）激光功率为340 W、焊接速度为1500 mm/s时焊池中的热分布；（c）不同功率下模拟熔池与实验形成的熔池横向视图特征比较。
3. 机器学习辅助增材制造质量控制方法
面对传统方法的局限性，机器学习（ML）作为一种数据驱动的范式，为金属增材制造的质量控制带来了革命性的机遇。AM过程本身就是一个数据密集型环境，包含了海量的工艺参数、原位传感信号和事后表征数据。ML技术，特别是深度学习，擅长从这些高维、复杂、非线性的数据中学习潜在规律和映射关系，构建出从“输入”（工艺参数、传感器信号）到“输出”（物理场、缺陷、几何、性能）的精确预测模型。这使得我们能够从被动的“事后检测”转向主动的“事前预测”和“事中控制”，从而实现更智能、更高效、更自适应的质量保证。
3.1 增材制造多物理场预测
多物理场（温度场、流场、应力场）的瞬态演变是决定金属AM成形质量的物理根源。精确预测这些物理场是实现质量前瞻性控制的基础，但传统数值模拟的计算成本使其无法满足实时性要求。机器学习为此提供了高效的替代方案，通过构建代理模型，实现对复杂物理过程的超快预测。在应力场预测方面，传统FEM模拟耗时极长，严重制约了工艺优化效率。Kushwaha等人创新性地采用了一种专为多物理场问题设计的深度算子网络（DeepONet），基于变化的几何形状和打印速度来预测全场残余应力，其训练好的模型预测应力场的速度比传统FEM快了43000倍，平均相对L2误差仅为5.53%，平均绝对误差为5.70 MPa，在保证精度的前提下实现了计算效率的巨大突破。在更为复杂的温度场预测中，获取充足的真实标签数据异常困难。为此，Li等人开发了物理信息神经网络（PINN）框架，该方法将热传导、对流和辐射等物理控制方程作为损失函数的一部分，直接嵌入到神经网络的训练过程中。这使得模型无需任何标记数据，仅依据物理定律就能预测三维温度场，其预测结果与FEM模拟相比，最大相对误差约2%，熔池内的绝对误差低于55 K，为解决数据稀缺下的物理场预测问题开辟了新路径。
图 3.（a）利用Conv1D模型进行等离子弧AM的温度场预测和FEM仿真结果；（b）用于DED快速温度预测的数据驱动模型框架和图形样本；（c）C光纤布拉格光栅热解调的机器学习流程；（d）校准实验与机器学习解调的地下热剖面比较；（e）激光熔融沉积（LMD）过程中代表性点的预测与模拟热历史比较。
3.2 组织预测与缺陷检测
多物理场的演化最终物化为材料的微观组织和各类缺陷，这两者是连接制造工艺与最终性能的关键桥梁。利用机器学习对微观组织进行预测和对缺陷进行精准检测，是质量控制的核心环节。ML能够通过分析各类原位传感器数据（如视觉、热、声学信号）或离线表征图像，实现对孔隙、裂纹、未熔合等缺陷的快速、自动化识别与分类，并逐渐走向对微观组织（如晶粒形态、相分布）的定量预测。在表面缺陷检测方面，一项研究针对熔丝增材（WAAM）过程中的表面气孔和夹渣问题，开发了基于YOLOv4深度神经网络的视觉检测方法。该模型通过对CMOS
相机采集的图像进行分析，实现了对最小尺寸0.50 mm缺陷的有效识别，平均精度（mAP）达到94.50%，处理速度高达42帧/秒，展现了在产线上进行实时表面质量监控的巨大潜力。对于更具危害性的内部缺陷，多模态信息融合是提升检测能力的关键。Scime等人设计了一种新颖的双流卷积神经网络（CNN），该网络能够同时融合可见光和近红外图像信息。通过这种互补信息的融合，模型成功地检测出了LPBF工艺中尺寸在200至1000 µm范围内的亚表面缺陷，准确率高达90%，这对于预防因内部缺陷导致的灾难性失效至关重要。
图 4. (a) 利用PIML、LPBF参数的优化将未熔合缺陷减少到最低水平；(b) ML过程和ML引导优化的示意图；(c) GPR模型预测的激光功率和扫描速度工艺窗口；(d) GPR预测的缺陷率平均值的响应面。
3.3 几何形貌与精度优化
零件的几何质量，主要包括尺寸精度和表面粗糙度，直接决定了其能否被成功装配和使用。金属AM固有的逐层制造特性、复杂的热-力耦合效应不可避免地会导致翘曲变形、尺寸偏差和“台阶效应”等问题。机器学习为此提供了强大的数据驱动优化工具，通过建立工艺参数与几何输出之间的非线性模型，实现对成形几何的精确预测和主动补偿。在单道熔敷几何控制这一基础层面，Hu等人针对机器人WAAM工艺，开发了一种快速的ANN-GA（遗传算法优化的神经网络）模型。该模型能够精确预测任意层高处焊道的宽度、高度和面积，平均相对误差分别低至3.12%、4.63%和1.58%，显著优于传统建模方法，为复杂构件的精确成形奠定了基础。在整体零件几何精度控制上，Li等人采用改进的Mask R-CNN对激光熔覆沉积过程中的熔池图像进行分割，并结合堆叠集成模型预测熔覆层高度。通过这种方式，他们成功优化了叶片的成形质量，展示了ML在复杂曲面零件几何控制中的应用潜力。此外，为了应对极端几何特征的挑战，Oh等人采用支持向量机（SVM）对WAAM工艺中起弧区和稳定区的焊道几何进行建模和优化。通过5层堆积实验验证，其起弧区高度/宽度误差为-0.36%/1.28%，稳定区误差为-0.64%/1.26%，证明了ML能够对工艺中不同阶段的几何特征进行精细化调控。
图 5. 基于机器学习方法的金属增材制造几何和尺寸精度优化。(a) 基于不同机器学习方法提取的熔池尺寸比较；(b) 优化的叶片成形质量；(c) 基于机器学习的WAAM工艺参数建模与预测；(d) 用于火箭喷嘴的自适应切片模型；(e) 预测的电弧冲击区高度（SVM回归模型）；(f) 预测的电弧冲击区宽度；(g) 预测的中间区高度；(h) 预测的中间区宽度。
3.4 增材性能优化
最终产品的使役性能，如力学性能、耐腐蚀性和疲劳寿命，是评价增材制造技术成功与否的终极标准。这些性能由复杂的工艺-组织-缺陷关系共同决定，传统方法往往需要漫长且昂贵的实验周期来优化。机器学习则通过构建“工艺-性能”或“工艺-组织-性能”的端到端模型，极大地加速了材料性能的预测和优化进程，甚至能够发掘出超越传统认知的高性能工艺窗口。在力学性能优化方面，Zhang等人将高通量实验（一次打印54个不同参数的样品）与集成学习、贝叶斯主动学习相结合，对LPBF工艺制造的316L不锈钢进行优化。该方法不仅成功将孔隙率从0.57%降至0.10%以下，还获得了高达609 MPa的抗拉强度和50.67%的延伸率，实现了优异的强韧性匹配，其综合性能超越了传统方法制造的同类材料。在最具挑战性的疲劳性能预测方面，传统模型难以处理多缺陷共存的情况。Feng等人开发了一种集成了物理知识的PINN模型，该模型将关键缺陷特征（如应力强度因子ΔK、最大应力σmax）作为输入，并将疲劳敏感性（∂Nf/∂ΔK < 0）等物理约束嵌入到损失函数中。这种物理-数据混合驱动的方法，显著提升了对高周疲劳寿命的预测精度（R²=0.82），为含缺陷部件的寿命评估提供了更可靠的工具。
图 6. 基于机器学习的增材制造部件力学性能优化。
(a) 优化试样的应力-应变曲线；(b) 孔隙率和硬度随VED的变化情况及其拟合曲线的R2值；(c) 不同功率和速度组合的YS分布图；(d) 使用机器学习方法在不同功率和扫描速度下预测维氏硬度；(e) Ti-6Al-4V可实现的力学性能设计空间；(f) 通过机器学习获得的CP-Ti力学性能比较；(g) 由机器学习计算的EL三维等高线图；(h) 通过GPR建立的相对密度与激光参数之间的映射关系；(i) 不同时效条件下析出模型计算的γ´半径与基于物理的YS模型预测对比。
3.5 增材过程实时闭环控制
实时闭环控制是实现增材制造过程“自主智能”的终极形态，它代表了从被动的质量监测到主动的质量保证的根本性转变。该系统集成了实时传感、ML驱动的快速决策和自动化的工艺参数调节，形成一个完整的反馈回路，能够在缺陷发生之前动态补偿工艺波动，确保质量的高度一致性。强化学习（RL）因其无需精确系统模型、通过与环境交互自主学习最优策略的特性，在该领域展现出巨大潜力。Mattera等人成功将深度确定性策略梯度（DDPG）强化学习模型应用于WAAM过程，训练了一个RL控制器。该控制器通过实时调整送丝速度、电压等工艺参数，将薄壁件的宽度控制精度稳定在±0.1 mm以内，并创新性地提出了基于过程的奖励函数，极大地提升了学习效率和控制效果。除了RL，监督学习模型与传统控制逻辑的结合也是一条有效路径。Ma等人设计了一个混合控制框架，其中CNN模型用于实时量化LPBF过程中的熔池特征，然后将这些量化指标输入到一个模糊推理系统中，该系统结合历史状态信息，对下一层的工艺参数进行优化，从而有效抑制了层间缺陷的产生。这些前沿探索表明，ML驱动的闭环控制系统正将金属AM推向一个前所未有的自动化和智能化水平。
图 7. 基于机器学习的增材制造质量闭环控制策略。(a) 由强化学习协调的数据驱动制造过程控制优化；(b) 使用预训练深度确定性策略梯度控制器进行宽度和高度控制的输出响应；(c) 基于深度强化学习的LPBF热控制；(d) 基于机器学习和模糊推理减轻LPBF过程中逐层熔化缺陷的方法。
3.6
增材制造高质量数据稀缺应对策略
尽管机器学习潜力巨大，但其数据驱动的本质在金属增材制造领域面临一个核心瓶颈：高质量、大规模、标记完整的训练数据往往是稀缺的。获取每个数据点都可能意味着一次昂贵的实验、复杂的后处理表征和耗时的人工标记。为了突破这一“数据枷锁”，研究人员开发了一系列先进的ML策略，旨在从小样本、多源、异构数据中挖掘最大化的信息价值。数据增强和生成模型是直接扩充数据集的有效手段。He等人提出了一种基于矢量量化变分自编码器和条件生成对抗网络（cGAN）的数据增强算法，专门用于增广时序熔池图像数据集。该方法不仅增加了样本数量，更重要的是丰富了缺陷场景的多样性，显著提升了缺陷分类器的性能。迁移学习则致力于知识的复用，将在数据丰富的“源域”学到的知识迁移到数据稀缺的“目标域”。Li等人成功实现了从316L不锈钢到Ti-6Al-4V钛合金的跨材料质量监控模型迁移。仅用5%的目标材料数据对在源域预训练好的CNN模型进行微调，就实现了超过92%的分类准确率，极大地降低了为新材料开发模型的成本和周期。此外，物理信息机器学习（PIML）通过将物理定律作为先验知识融入模型，减少了模型对纯数据的依赖，保证了预测的物理一致性，这在多物理场预测中已展现出巨大优势。
图 8. (a)用于AM缺陷检测的常见数据增强方法；(b)用于WAAM中时间序列熔池图像的cGAN数据增强模块；(c)基于迁移学习的跨材料LPBF质量监控；(d)基于迁移学习的PINN通用框架。
尽管金属增材制造（AM）提供了前所未有的设计自由度，但在安全关键领域的工业应用仍面临着源于工艺波动大、缺陷率高、尺寸精度不足以及材料性能不可预测性等方面的持续瓶颈。这些挑战无法通过传统的质量保证方法得到充分解决。在此背景下，机器学习（ML）作为一种数据驱动的解决方案应运而生，它利用增材制造固有的数字连接性，解码复杂的“工艺-结构-性能”相互作用，并建立自适应的质量控制策略。本文对机器学习在金属增材制造质量控制框架中的融合应用进行了全面的分析与总结。
机器学习的变革性潜力在增材制造质量的多个维度上得到了充分展示。先进的神经网络架构，例如用于图像分析的卷积神经网络（CNN）、用于序列数据的循环神经网络（RNN）、用于结构关系的图神经网络（GNN），特别是物理信息神经网络（PINN）及其他深度学习模型，已显著提升了对温度梯度、流体动力学、微观结构演化和相变等多物理场现象的模拟计算效率。集成的传感器数据分析技术，通常利用CNN（如YOLO
、U-Net）和集成方法（如随机森林RF或梯度提升XGBoost），在高效识别孔隙与裂纹等缺陷方面表现卓越，并结合基于预测的参数优化（例如，使用高斯过程回归GPR或融合了遗传算法/贝叶斯优化的ANN）以有效抑制缺陷。在尺寸精度方面，机器学习能够精准预测几何偏差与表面不规则性，从而为通常由ANN或支持向量回归（SVR）驱动的实时补偿算法提供信息支撑。材料性能预测也通过机器学习驱动的相关性分析取得了显著进展，这些模型（通常为ANN、GPR或RF）在工艺参数与拉伸强度、疲劳抗性及环境耐久性等关键性能指标之间建立了可靠的映射关系。这些能力共同支撑了以机器学习赋能的闭环控制架构为核心的下一代自适应制造，该架构越来越多地采用强化学习（RL）或混合方法（将监督模型与经典控制器相结合），以动态调整工艺变量。此外，数据增强、迁移学习和生成模型等技术也为解决金属增材制造领域的数据稀缺问题提供了一定保障。
上述进展凸显了机器学习在重塑整个增材制造价值链质量保证范式方面的巨大潜力。然而，挑战依然存在，主要包括：特定应用中高保真数据的稀缺性；复杂神经网络模型有限的可解释性；连接微观结构演化与宏观构件性能的多尺度建模难题尚未完全解决；以及模型在跨平台应用中泛化能力不足。为应对这些挑战，未来的研究应优先关注构建物理信息与人工智能相结合的混合框架，开发多模态传感器融合架构，并建立稳健的自适应控制系统。至关重要的是，促进材料科学、数据科学、物理学与制造工程学等领域的深度跨学科合作，这些举措将是加速这些发展的关键。克服这些障碍，是充分释放机器学习潜力、并在关键工业应用中实现具有可靠质量保证的金属增材制造规模化生产的必要条件。
华林，武汉理工大学首席教授，高温轻合金及应用技术全国重点实验室教授、博士生导师，国家杰出青年科学基金获得者。兼任中国汽车工程学会常务理事、中国机械工程学会理事、中国机械工程学会塑性工程分会理事长、东风汽车集团公司首席科学家。主要从事先进材料与高端制造研究，主持了国家自然科学基金重点项目、国家重点研发计划、国家科技重大专项等，获国家科技进步二等奖、国家技术发明二等奖、中国机械工程学会科技成就奖。目前已发表SCI论文300余篇，出版专著5部，入选全球前2%高被引学者。同时担任《Advanced Engineering Materials》、《Chinese Journal of Nonferrous Metals (English)》、《机械工程学报》、《中国机械工程》、《塑性工程学报》等期刊编委。
张来昌 (Lai-Chang Zhang)，澳大利亚伊迪斯科文大学工程学院材料工程教授、先进材料与制造中心主任、机械工程专业负责人。博士毕业于中国科学院金属研究所材料科学与工程专业，曾先后在西澳大学、伍伦贡大学、德国德累斯顿莱布尼茨固态与材料研究所（IFW Dresden）及达姆施塔特工业大学任职。研究兴趣包括金属增材制造、金属生物材料、轻质合金与结构、高强度合金及复合材料。他是科睿唯安材料科学领域“高被引学者”及国际先进材料协会（IAAM）“先进材料桂冠学者”，已发表期刊论文410余篇，H指数为95，总被引次数超过32,000次。兼任 International Journal of Extreme Manufacturing、Advanced Powder Materials、International Journal of Mining Science and Technology、Advanced Engineering Materials、《Acta Metallurgica Sinica (English Letters)》等10余种期刊的编辑或编委。
谢乐春，武汉理工大学高温轻合金及应用技术全国重点实验室教授、博导，博士毕业于上海交通大学。2011年至2018年，曾先后在美国西北大学、加拿大阿尔伯塔大学和澳大利亚迪肯大学任职。主要研究方向为多能场制造、增材制造、钛合金与钛基复合材料、微观结构与性能等。在 Progress in Materials Science、Acta Materialia、Additive Manufacturing 等期刊发表SCI论文80余篇。主持国家自然科学基金、国家重点研发计划课题、中国商飞国家工程中心创新基金等国家省部级项目10余项。获第68届美国摩擦学与润滑工程师学会(STLE)年会海报银奖、澳大利亚迪肯大学Alfred Deakin博士后研究奖金，湖北省楚天学子等。担任期刊 Engineering Reports、Virtual and Physical Prototyping、International Journal of Extreme Manufacturing、Advanced Powder Materials、Transactions of Nonferrous Metals Society of China、Additive Manufacturing Frontiers、Acta Metallurgica Sinica (English Letters)等10余种期刊的编委或青年编委。
胡泽启，武汉理工大学汽车工程学院副研究员。博士毕业于武汉理工大学车辆工程专业。主要研究方向为电弧/激光金属增材制造、机器学习辅助质量控制、机器人技术以及锻模再制造。在 Additive Manufacturing、Robotics and Computer-Integrated Manufacturing、International Journal of Mechanical Sciences 等国际期刊发表SCI论文40余篇。担任《Additive Manufacturing Frontiers》、《表面工程与再制造》等期刊青年编委。
黄长林，武汉理工大学汽车工程学院博士研究生，师从谢乐春教授和胡泽启副研究员，研究方向主要为钛基复合材料激光增材制造成形优化设计。在Materials Today Communications, Advanced Engineering Materials等期刊发表论文3篇，于2024年获得云南省优秀硕士学位论文。
袁玉洁，澳大利亚伊迪斯科文大学工程学院讲师、化工与能源工程系系主任。博士毕业于澳大利亚科廷大学矿业学院能源工程专业。担任国际会议委员会主席（如 2025 Intelligent Technology for Power and Energy（荷兰）首席委员会主席Principal Committee Chair），学术期刊编委或青年编委（如Advances in Geo-Energy Research（IF 10.0）、International Journal of Coal Science & Technology（IF 8.7）、Scientific Reports等），书籍编著与特刊编辑、国际会议特邀报告人、学术会议专题召集人（如第一届地球能源前沿论坛“专题11–非常规储层形成机理与非均质性评价”）等。主要从事
CO2提高油气采收率与长效地质封存一体化、地下储氢与天然氢、页岩油气工程与地质一体化、氢脆与材料腐蚀等方向的研究和教学工作。近七年已发表学术论文及著作章节50余篇，多篇入选Web of Science高被引论文。
Zeqi Hu, Changlin Huang, Lechun Xie, Lin Hua, Yujie Yuan, Lai-Chang Zhang,Machine learning assisted quality control in metal additive manufacturing: a review, Adv. Powder Mater. 4 (2025) 100342. https://doi.org/10.1016/j.apmate.2025.100342
点击下方链接或文末“阅读原文”下载原文：
100342-main.pdf
A powder-scale multiphysics framework for powder bed fusion of fiber-reinforced polymer composites
Additive manufacturing SiC-reinforced maraging steel: Parameter optimisation, microstructure and properties
Machine learning-driven insights into the microstructure and properties of high-entropy alloys
中文导读(点击标题进入阅读)：
机器学习驱动的高熵合金微观结构与性能研究进展
Machine learning application in thermal CO2 hydrogenation: catalyst design, process optimization, and mechanism insights
中文导读(点击标题进入阅读)：
机器学习在热催化CO₂加氢中的应用：催化剂设计、过程优化与机理研究
Phase selection-oriented mechanical properties tailoring for β-type TiNbZrTaSi alloy fabricated by laser powder bed fusion
Advanced Powder Materials（先进粉体材料（英文））创刊于2022年1月，由中南大学与KeAi合作创办，粉末冶金全国重点实验室和粉末冶金国家工程研究中心承办的粉体材料领域的学术期刊。主编是黄伯云院士和Chain-Tsuan Liu院士。致力于发表国内外粉体材料领域及其交叉学科具有原创性和重要性的最新研究成果。入选“中国科技期刊卓越行动计划”和“湖南省培育世界一流湘版科技期刊建设工程”高起点新刊项目。
l 高效、双盲、严格
l IF：24.9; CiteScore: 39.1
l 获得奖项：
