[启明增材制造]2026年5月2日，来自韩国浦项科技大学(POSTECH)和材料科学研究院(KIMS)的研究人员开发了一种人工智能框架，即使存在内部缺陷，也能在几秒钟内预测金属 3D 打印部件的机械强度。

通常，激光束粉末床熔融（PBF-LB）增材制造的合金屈服强度仍难以预测，因为在打印过程中缺陷的识别发现被很难被经验方程捕捉。在《LPBF制造AlSi10Mg合金缺陷感知且可解释屈服强度预测的数据选择性机器学习框架（DSML）》中，作者开发了一种数据选择性机器学习（DSML）模型，通过符号回归将数据驱动的黑箱建模与物理感知的白箱建模型结合，从而推导出一个缺陷感知、可解释的闭式方程。

数据选择性机器学习的图形 来源：10.1016/j.actamat.2026.122101

01

为什么空洞一直是个棘手的问题

---

它所解决的挑战是激光增材制造领域长期存在的难题：虽然增材制造工艺能够制造复杂的几何形状，但在逐层堆叠金属粉末的过程中，也会产生微小的气泡状空隙。对于需要在严苛环境下使用的部件，例如飞机发动机和汽车总成，这些空隙会成为关键的薄弱点。传统上，量化这些空隙对结构强度的影响需要大量的重复实验，既耗时又费钱。由金亨燮教授和朴正民高级研究员领导的研究团队，通过向模型输入各种数据集来构建模型，这些数据集包括激光功率设置、扫描速度、微观结构数据以及激光粉末床熔融 (LPBF) 过程中形成的内部空隙的大小和空间分布。

框架并非将缺陷视为需要过滤掉的噪声，而是将其视为有意义的输入。随后，应用一种名为“数据选择性学习”的方法来识别哪些变量对强度结果的影响最大，从而增强模型的预测能力。

论文提出的机器学习框架的显著特点之一是可解释性。模型并非直接给出预测结果而不加解释，而是生成易于理解的方程式，这些方程式反映了真实的物理行为，具体而言，它解释了空隙密度增加如何减小构件的承载横截面积，从而降低整体强度。这种透明性使工程师能够理解并验证每个预测背后的逻辑，而不是盲目地信任晦涩难懂的输出结果。

测试对象为铝硅镁合金，一种航空航天和汽车制造领域的常用材料。模型预测值与实际测量值之间的误差在 9.51 MPa 以内，比现有方法的性能高出四倍以上。

相关研究成果以题为“Data-selective machinelearning framework (DSML) for defect-aware, interpretable yield-strengthprediction for LPBF-fabricated AlSi10Mg alloys“用于 LPBF 制造的 AlSi10Mg 合金缺陷感知、可解释屈服强度预测的数据选择性机器学习框架(DSML)”的论文发表在《Acta Materialia》上。