多伦多大学《JMS》机器学习辅助的材料选择、参数优化与过程监测：面向激光粉末床熔融和粉末送进式激光定向能量沉积

坚持专心丨保持专注丨铸就专业

点击长三角G60激光联盟关注/ 置顶公众号

新闻资讯 | 技术文章 | 会议论坛 | 产业招商

长三角G60激光联盟导读

基于激光的金属增材制造（ AM）技术，例如激光粉末床熔融和激光定向能量沉积，已经广泛应用于航空航天、汽车、生物医学和能源等行业。这类技术需要在跨越六个数量级的尺度上实现协同，涉及激光参数、原料特性以及热-流体动力学之间的复杂相互作用。由此产生的高维数据涵盖材料、工艺参数、激光-金属相互作用以及最终零件性能，使复杂的工艺-组织-性能（P-S-P）关系理解面临显著挑战。

机器学习能够从大规模、高维数据中挖掘隐藏模式和相关关系，为加速金属增材制造中的材料发现与工艺优化提供了变革性途径。加拿大多伦多大学Yu Zou教授团队综述了多种机器学习方法在两大主要基于激光的金属增材制造工艺中的最新进展与挑战：金属激光粉末床熔融（Laser powder bed fusion for metal, PBF-LB/M）和粉末送进式激光定向能量沉积（Laser directed energy deposition with powder feed, DED-LB/P）。文章重点围绕机器学习的三方面应用：（1）材料选择，包括面向增材制造的材料开发和金属粉末选择；（2）通过开发工艺图与优化策略实现工艺参数优化；（3）基于声发射、可见光、红外、同步辐射 X 射线和多传感器系统的原位监测与质量保证。

此外，本文比较了不同机器学习模型在各应用场景中的特点、局限和数据需求，为模型选择和实验设计提供参考。通过采用以机器学习为中心的视角，本文旨在为未来研究方向提供启示，支持更加自主化的金属增材制造系统发展，并加速基于激光的金属增材制造优化。

文章链接：https://doi.org/10.1016/j.jmsy.2026.06.018

主要附图

图1 两种基于激光的金属增材制造工艺示意图：(a)金属激光粉末床熔融（PBF-LB/M）；(b) 粉末送进式激光定向能量沉积（DED-LB/P）

图2 (a)PBF-LB/M 过程中主要缺陷及激光 -金属相互作用效应示意图；(b)原位同步辐射X射线观察到的缺陷及激光-金属相互作用效应

图3 (a) DED-LB/P 过程中主要缺陷及激光-金属相互作用效应示意图；(b) 原位同步辐射 X 射线观察到的熔池与气孔推移现象

图4 (a) 机器学习三种范式及 (b) 其应用示意图。监督学习利用已知输入-输出标签进行分类；无监督学习依据内在模式聚类；强化学习通过与环境交互和奖惩反馈学习决策

图5 多种机器学习算法示意图：(a)线性回归（LR）；(b) 支持向量机（SVM）；(c) 高斯过程回归（GPR）；(d) 随机森林（RF）；(e) 人工神经网络（ANN）；(f) 卷积神经网络（CNN）

图6 面向金属增材制造的材料开发：(a)利用 DED-LB/P 进行成分设计与样品制备；(b) 通过不同晶粒类型、晶粒比例和晶粒取向进行微观组织实例化

图7 基于 SEM 图像的机器学习在金属粉末选择中的主要应用：利用深度学习表征粒径分布，以及利用特征工程方法预测粉末流动性

图8 利用机器学习建立工艺图谱并预测性能的流程图，例如孔隙率、表面粗糙度、力学性能和熔池尺寸。模型输入除工艺参数外，也可纳入材料物理性质；训练数据可来自传统实验设计、数据增强、数值模拟和高通量实验

图9 高通量实验（HTE）方法在金属增材制造中的应用：(a) 高通量拉伸试样架与测试平台；(b) PBF-LB/M 在不同激光功率和扫描速度下制备的熔道。HTE可显著降低数据生成的时间与成本

图10 采用不同优化策略优化工艺参数的流程图：(a)非支配排序遗传算法 II 结合集成代理模型，以改善能耗、抗拉强度和表面粗糙度；(b) 采用 GPR 的贝叶斯优化以提高样品相对密度

图11 PBF-LB/M 三种不同打印条件下声发射（AE）信号的产生、传播与采集

图12 两种监测系统布置方式：(a) 同轴监测系统及 (b) 其采集的熔化区域图像；(c) 离轴监测系统及 (d) 其采集的熔化区域图像

图13 (a) 红外传感器采集的熔池图像与孔隙率水平之间的相关性；(b) 每个体素的红外信号与其缺陷状态之间的相关性

图14 利用语义分割和目标检测模型识别X 射线图像中感兴趣区域并提取关键特征的示意图

图15 集成多传感器的原位监测系统示意图：(a) AE 与可见光传感器；(b) 可见光与红外传感器

图16 PBF-LB/M 与 DED-LB/P 过程中熔池内部熔体流动三维重建示意图

图17 集成同步辐射 X 射线成像系统、高速红外相机和高空间分辨率红外相机，以增强对金属增材制造过程理解的示意图

图18 PBF-LB/M 与 DED-LB/P 各阶段的机器学习辅助优化概览，包括材料选择、参数优化和过程监测，并概述各阶段挑战与机遇

主要结论

机器学习已贯穿 PBF-LB/M 和 DED-LB/P 的多个阶段：在材料选择中辅助合金成分、微观组织和粉末质量预测；在参数优化中减少反复试验，提升新材料工艺开发效率；在过程监测中识别缺陷并支持实时纠偏。

但机器学习的潜力尚未完全释放。主要挑战包括高质量数据集不足、不同设备与数据源之间兼容性差、特征选择困难、模型可解释性不足，以及实验重复性有限。传统线性模型可解释性较好但难以描述复杂非线性关系；SVM、ANN、RF 等模型精度较高但依赖超参数； GPR 适合小样本且能表达不确定性，但扩展性有限；视觉深度学习模型性能强，但通常需要大量标注数据。

未来研究将更加重视物理约束、仿真输出和过程知识与机器学习模型的融合。高保真模拟、主动学习、大语言模型、视觉语言模型和自监督/弱监督学习有望降低数据获取成本，提高模型可解释性和跨设备泛化能力。

作者简介

Yu Zou，多伦多大学材料科学与工程系副教授，本科毕业于北京航空航天大学，硕士毕业于麦吉尔大学，博士毕业于苏黎世联邦理工学院，曾在麻省理工学院机械工程系从事博士后研究。其领导的Laboratory for Extreme Mechanics & Additive Manufacturing 关注金属材料设计、多尺度力学测试、金属增材制造和应用机器学习等方向，研究对象包括高熵合金、纳米晶合金、准晶、钛合金、铝合金、钢、半导体、固态电池和磁性材料等。应用场景涉及航空航天、生物医学、电子、环境和能源等领域。

个人资料来源：https://mse.utoronto.ca/faculty-staff/professors/zou-yu/

来自 :AM letters

联系我们

欢迎关注·扫码加群