社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

北科大 | 机器学习助力CM247LC增材制造:裂纹抑制与强塑性协同提升

3D科学谷 • 2 周前 • 80 次点击  


近日,北京科技大学谢建新院士团队在激光粉末床熔融(L-PBF)成形CM247LC镍基高温合金方面取得重要研究进展。针对CM247LC在L-PBF过程中易发生严重开裂的难题,该团队提出了一种机器学习辅助工艺参数优化的新策略,实现了激光粉末床熔融(L-PBF)成形CM247LC裂纹抑制和强塑性协同提升,并在国际顶级期刊《极端制造(英文)》International Journal of Extreme Manufacturing,IJEM)上发表了题为“Machine learning assisted laser powder bed fusion process optimization of CM247LC: crack mitigation and strength–ductility enhancement”的文章。


论文链接:

https://doi.org/10.1088/2631-7990/ae542e

通讯作者:刘壮壮,谢建新

第一作者:胡鹏飞

机构:北京科技大学





研究背景


裂纹是制约L-PBF成形镍基高温合金的关键挑战之一。裂纹对工艺参数极为敏感,相关参数种类繁多、相互耦合,构成了一个纬度高、规模大的复杂参数空间。传统基于经验与试错的工艺设计方法通常实验量大、周期长、成本高昂,难以实现高效、精准优化。


图文解析


研究团队提出了一种融合数据增强与贝叶斯优化的工艺参数优化机器学习策略,实现了模型预测精度与全局寻优能力的同步提升。仅通过两次迭代,L-PBF成形CM247LC的裂纹密度显著下降,实现了近乎无裂纹的成形效果,相比正交实验最优条件的裂纹密度降低99%(如图1)。

图1 基于机器学习的L-PBF成形CM247LC工艺参数优化策略和结果。(a)基于机器学习的L-PBF成形CM247LC工艺参数优化策略,(b)和(c)体积能量密度对裂纹密度和相对密度的影响,(d)基于正交试验最优参数制备样品的金相图,(e)和(f)基于增强数据集建立的RF模型,(g)和(h)贝叶斯优化获得的实测目标值,(i)本工作ML最优参数下裂纹密度与文献报道裂纹密度的对比,(j)基于机器学习优化参数制备样品的金相图。

与正交试验最优参数相比,机器学习优化工艺参数显著提高了冷却速率,降低了凝固末期Hf、C等元素在晶界的偏析程度,从而缩小了凝固区间,并使γ′/γ共晶相含量降低约50%;与此同时,高角度晶界数量减少约25%,残余应力水平同步降低(如图2)。上述多因素的协同作用,显著抑制了CM247LC合金在L-PBF过程中的开裂倾向(如图3)。

图2 工艺参数对CM247LC裂纹的影响。(Ⅰ)元素偏析:(a)基于连续生长模型计算的不同工艺参数下CM247LC合金元素的分配系数,(b)基于溶质捕获作用的Scheil-Gulliver凝固曲线;(Ⅱ)微观组织:(c)裂纹沿晶界分布,(d)OE和ML参数下CM247LC晶界角度占比,插图为大角度晶界开裂示意图;(Ⅲ)残余应力:(a)测量位置示意图,(b)基于XRD方法测量的OE参数和ML参数下CM247LC成形试样的残余应力。

图3 机器学习优化工艺参数对CM247LC裂纹抑制机理示意图。

在机器学习优化的成形参数下,热处理后CM247LC的室温、900 °C和1000 °C的拉伸性能,均优于目前文献报道的L-PBF成形以及L-PBF+热等静压后的CM247LC,并达到甚至超过传统铸造CM247LC的性能水平(如图4)。这一性能突破主要归因于高体积分数的γ′相、部分保留的柱状晶以及弥散分布的纳米级碳化物,三者协同作用实现了强度与塑性的同步提升(如图5)。

图4 打印态和热处理态CM247LC的拉伸性能。打印态:(a)OE和ML工艺参数下成形试样的拉伸应力应变曲线,(b)机器学习ML最优参数下的拉伸性能与文献报道拉伸性能的比较;热处理态:(c)不同温度下的应力应变曲线;本工作CM247LC与文献报道的L-PBF成形、粉末冶金Powder + HIP、铸造Cast和定向凝固DS的抗拉强度和延伸率对比:(d)室温,(e)900 ℃,(f)1000 ℃。

图5 热处理态CM247LC微观组织。(a)沿BD方向的EBSD-IPF图,(b)GOS图,(c)KAM图,(d)晶粒尺寸(Feret直径)分布图,(e)和(f)SEM-BSD形貌图。


总结与展望


该研究为增材制造CM247LC的工程应用奠定了基础,同时也为增材制造其他易开裂高温合金的裂纹抑制提供了有益参考。

论文引用

Hu P F, Liu Z Z, Zhou Q H, Wei Z Y, Qi X H, Xie J X. 2026.Machine learning assisted laser powder bed fusion process optimization of CM247LC: crack mitigation and strength-ductility enhancement.Int. J. Extrem. Manuf 8 045102.


课题组介绍

谢建新,中国工程院院士,北京科技大学教授,博士生导师,北京材料基因工程高精尖创新中心主任,教育部长江学者奖励计划特聘教授,国家杰出青年科学基金获得者。兼任国家新材料产业发展专家咨询委员会副主任、中国材料研究学会常务副理事长等职。《材料基因工程前沿(英文)》(Materials Genome Engineering Advances)期刊主编,《自然科学进展·国际材料(英文)》(Progress in Natural Science: Materials International)期刊主编。

主要研究方向为材料数字化、材料智能设计与制备加工技术、先进金属材料控制凝固与控制成形、材料基因工程关键技术等。在材料基因工程、材料大数据、航空航天与现代交通铝合金材料、能源与电子信息用铜合金材料等方面取得系列研究成果。获国家技术发明二等奖、国家科技进步二等奖3项,何梁何利科技进步奖,省部级科技成果奖励10余项,国际学术奖励2项。发表学术论文400余篇,出版专著5部,获授权发明专利120余项。

刘壮壮,北京科技大学教授,博士生导师,国家级青年人才。长期从事高性能金属材料激光增材制造、多材料激光增材制造、机器学习辅助增材制造专用合金成分设计、增材制造数字化与过程形性智能调控等研究。在Additive Manufacturing,International Journal of Extreme Manufacturing等期刊上发表SCI检索论文50余篇。主持国家自然科学基金面上基金、青年基金、国家重点研发计划课题、新金属材料重点实验室开放课题等国家和省部级项目多项,作为主要参与人参与国家自然科学基金重大项目、两机专项、欧盟第七框架等多项重大科技攻关项目。兼任中国材料学会增材制造分会专业委员会委员,中国有色金属学会增材制造委员会委员,中国机械工程学会增材制造技术分会委员。担任InternationalJournal of Extreme Manufacturing,Additive Manufacturing frontiers,Advanced Powder Material,Mater. Res. Lett.,MGE Advances等期刊青年编委。




多伦多大学邹宇团队2篇新作:AI主动学习6轮锁定6种高温合金、贯通金属3D打印全链智能

中科院金属所 l 通过C/Y复合微合金化设计实现LPBF成形Inconel 718合金蠕变性能跃升

三维科学 l 无限可能

2509957133@qq.com
www.3dsciencevalley.com
点亮“♥️”让朋友们知道您在看

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/199329