Rare Metals | 空军工程大学周留成、香港城市大学王露: 基于深度学习的Ti-6Al-4V激光原位锻打增材制造多目标协同工艺优化

基于深度学习的Ti-6Al-4V激光原位锻打增材制造多目标协同工艺优化

何鹏，黄禹铭，王文荷， 王超， 张毅， 黄敏，余树伦， 刘皓成， 潘鑫磊， 王露 ， 周留成

西安交通大学机械工程学院航空发动机研究所

中国工程物理研究院机械制造技术研究所

AECC南方工业有限公司

空军工程大学航空航天动力系统与等离子体技术国家重点实验室

香港城市大学机械工程学院

1. 提出了一种用于LIF-AM的深度学习协同优化方法。

2. 深度学习驱动的粗糙度-硬度优化多目标优化。

3. 基于最佳参数，缺陷减少率达到90%。

4. LIF-AM Ti-6Al-4V疲劳强度达到514.7±24.7 MPa，提高了32.3%。

日前，空军工程大学航空工程学院周留成教授课题组与香港城市大学机械工程系王露助理教授合作，在Rare Metals上发表了题为“Multi-objective collaborative process optimization based on deep learning of Laser in-situ forging additive manufacturing Ti-6Al-4V”的研究文章，开发了一种用于激光粉末床熔融原位复合超快激光冲击锻打（即激光锻打印，LIF-AM）的深度学习驱动型工艺参数协同优化方法，使SLM成形Ti‑6Al‑4V合金的内部缺陷减少90%，疲劳强度提升32.3%。

通过正交实验收集Ti-6Al-4V试样的粗糙度和硬度数据，并在先前研究的基础上构建CNN-Transformer预测模型，以准确建立LIF-AM工艺参数与成形质量之间的映射关系。将CNN-Transformer模型与RNSGAIII算法相结合，以最小化表面粗糙度和最大化显微硬度为目标进行多目标协同优化。实验验证结果表明，在优化的工艺参数下，Ti-6Al-4V试样的内部孔隙缺陷体积比传统LPBF工艺减少了约90%；显微硬度提高了15.8%，达到389 HV0.1，高周疲劳强度显著提高了32.3%，达到514.7±24.7 MPa。该方法突破了传统LIF-AM参数优化方法的局限性，为增材制造制备的Ti-6Al-4V合金的成形质量和力学性能提高提供了一种准确有效的工艺参数优化方案。

图1 基于深度学习的多目标协同过程优化框架

首先，采用LIF-AM设备在不同工艺参数下制备试样，并通过电火花线切割将试样与基板分离。随后，利用激光共聚焦显微镜和自动硬度计测量表面粗糙度和硬度，构建实验数据集。基于前期研究，采用CNN-Transformer模型建立工艺参数与材料性能之间的精确非线性映射，作为可靠的代理模型。在此基础上，利用代理模型构建以最小化粗糙度和最大化硬度为目标的多目标优化问题。通过将CNN-Transformer与RNSGAIII优化算法结合，在高维参数空间中高效获得Pareto最优解集。进一步地，采用代表性Pareto最优参数制备试样并进行力学性能实验以验证优化结果。该框架实现了LIF-AM成形Ti-6Al-4V粗糙度与硬度的协同优化，为工艺参数设计提供了有效依据，显著提高了生产效率和零件质量。

图2 NSGAIII过程方法流程图

RNSGAIII不采用全局均匀分布的参考点生成方式，而是以预先定义的偏好点（aspiration points）为核心生成参考点。在每个偏好点周围生成局部参考点簇，使算法能够在偏好区域进行重点搜索。其次，每一代的参考点根据当前种群的极值重新计算，由于归一化因子随种群变化而改变，参考点可动态适应搜索过程。此外，种群规模根据偏好点的数量进行调整，以确保每个偏好点都有对应的局部参考点簇。同时，通过收缩因子控制局部参考点的密度，以平衡优化过程中的聚焦性与多样性。

图3 CNN-Transformer模型预测性能分析（A）5折交叉验证粗糙度预测结果，（B）5折交叉验证硬度预测结果，（C）未知样本的粗糙度预测结果，（D）未知样本的硬度预测结果，（E）CNN卷积核尺寸对粗糙度预测的敏感性分析，（F）Transformer注意力头数量对粗糙度预测的敏感性分析，（G）CNN卷积核尺寸对硬度预测的敏感性分析，（H）Transformer注意力头数量对硬度预测的敏感性分析。

5折交叉验证下粗糙度与硬度预测的平均R²均高于0.86，模型鲁棒性强；测试集中未知样本预测值紧密分布于理想对角线附近，未见显著偏差，泛化性能良好。敏感性分析进一步表明，卷积核尺寸为3、注意力头数为8时，模型在局部特征提取与全局依赖建模之间取得最佳平衡，预测精度最高。

图4 不同多目标优化算法的帕累托前沿比较及收敛性能。（A）HV指标的迭代过程，（B）GD和IGD指标的迭代过程，（C）多样性指标的迭代过程，（D）不同算法的帕累托前沿解。

采用HV、GD、IGD和多样性四项指标评估RNSGAIII的收敛性能。迭代初期HV较低，GD、IGD和多样性偏高，解集覆盖不足；快速收敛阶段HV显著上升，GD和IGD先升后稳，多样性持续下降，表明算法快速逼近真实Pareto前沿；最终各指标趋于稳定，解集均匀覆盖最优区域。不同算法对比表明，RNSGA-III的解集连续集中、收敛性与分布均匀性均优于NSGAIII、NSGAII和MOEA/D，其动态参考点机制更适应强非线性协同优化场景。

图5 不同工艺条件下制备的Ti-6Al-4V样品的代表性表面形貌。图中展示了相同位置在不同放大倍数下的SEM图像：(A–C) LPBF 参数组1；(E–G) LIF-AM 参数组2；(I–K) LIF-AM 参数组3；(M–O) LIF-AM 参数组4。相应的三维表面形貌图分别见(D) 参数组1、(H) 参数组2、(L) 参数组3 和 (P) 参数组4。

LPBF试样表面随机分布未熔粉末颗粒，并存在气孔。LIF-AM试样表面未熔颗粒显著减少，其中参数3表面最光滑。参数2虽经超快激光处理部分重熔，但未熔合缺陷未完全消除；参数3表面基本无未熔颗粒，仅可见激光诱导周期性结构；参数4则出现孔隙增多、激光冲击痕迹明显及微孔状形貌。其机制在于超快激光兼具热重熔与机械振荡双重作用：能量过低（参数2）重熔与振动不足，缺陷未完全消除；能量过高（参数4）引起飞溅、过熔与局部热累积，产生微熔坑。参数3实现了热与振动效应的最佳平衡。三维形貌与粗糙度数据进一步印证，所有LIF-AM条件均降低了表面粗糙度，其中参数3降幅最大（23.2%）。LIF-AM的粗糙度改善归因于冲击波增强熔池Marangoni对流、促进铺展流平，以及超快激光有效去除表面未熔颗粒的协同效应。

图6 Ti-6Al-4V内部缺陷的X射线CT分析。（A）3D缺陷体积，（B）2D投影图，（C）-（E）放大的缺陷簇，（F）球度与等效直径。

通过X射线CT对内部缺陷进行评估。LPBF试样缺陷体积分数为0.011‰，LIF-AM试样降至0.004‰~0.001‰，最优参数3下缺陷体积降低约90%。参数3的缺陷最少，而参数4的缺陷显著增加，约为参数3的三倍，表明过高激光能量反而不利于缺陷消除。LIF-AM试样中所有缺陷球形度均低于0.6，无气孔；LPBF试样中97%为未熔合缺陷。LIF-AM试样未熔合缺陷尺寸和数量均小于LPBF，平均等效直径由42μm降至31μm，但缺陷不规则性增加。这一矛盾源于非优参数下层间清理不彻底，以及激光冲击导致缺陷塑性变形而非完全消除。

图7 LPBF（参数1）和LIF-AM（参数2、3和4）Ti-6Al-4V样品的横截面显微硬度和残余应力分布。（A）横截面显微硬度分布；（B）横截面残余应力分布。

LPBF与LIF-AM试样沿建造方向的显微硬度分布均较为均匀，但LIF-AM试样硬度显著提升。LPBF平均硬度约为336 HV₀.₁，LIF-AM参数2、3、4分别达到370、389、385 HV₀.₁，增幅达10.1%~15.8%。残余应力分布差异显著：LPBF表面及内部均为拉应力（150~250 MPa），而LIF-AM呈现全压应力场。压应力沿深度方向先增后减，随激光能量升高，冲击波强度与穿透深度增加，压应力层深度与峰值应力持续增大（参数4达-332.2 MPa）。LIF-AM中超快激光诱导等离子体爆炸产生数百吉帕冲击波，使表层发生超高应变速率塑性变形，形成自平衡压应力场，不仅消除热应力，还实现残余应力原位调控。从疲劳角度看，压应力可部分抵消外加拉应力，降低有效应力，延缓滑移带形成；裂纹扩展至压应力区时，应力强度因子幅降低，裂纹闭合效应增强，从而抑制裂纹扩展。

图8 LPBF和参数2、3、4 LIF-AM Ti-6Al-4V钛合金的疲劳载荷曲线。

LIF-AM工艺显著提升了疲劳强度，参数2、3、4在10⁶循环下的疲劳强度分别为480±12.1、514.7±24.7、446.4±15.3 MPa，较LPBF基准（389±19.7 MPa）分别提升23.3%、32.3%、14.7%。所有LIF-AM试样的疲劳寿命均优于LPBF。最优参数3的优异性能归因于表面与内部缺陷的有效抑制及硬度提升，共同阻碍裂纹萌生与扩展，从而提高疲劳强度极限。

图9 在四种工艺条件下制造的Ti-6Al-4V疲劳失效的比较断口图：参数集1（LPBF）和参数集2-4（LIF-AM）。每行显示不同的断裂特征。（A、E、I、M）低倍概览（整体断裂面）。（B、F、J、N）裂纹萌生位置的高倍视图。箭头表示具体的起始点。（C，G，K，O）早期裂纹扩展区域的形态。（D，H，L，P）稳定裂纹扩展区的特征。

LPBF试样断口呈现典型疲劳特征，裂纹萌生于内部最大缺陷处（等效直径约65 μm），与CT分析结果一致。该缺陷附近还存在较小的未熔合孔洞和未熔颗粒，在循环载荷下成为应力集中源，促进早期裂纹萌生。裂纹扩展初期呈现放射状脊线，裂纹路径频繁与其它缺陷交汇，形成局部台阶状形貌，加速了裂纹扩展。因此，LPBF的疲劳性能从根本上受限于缺陷主导的断裂机制。相比之下，LIF-AM试样的断口表面更为平滑，裂纹萌生位置无显著制造缺陷，均位于表面或近表面区域，且裂纹扩展区未见明显的台阶状形貌。LIF-AM有效消除了内部缺陷，迫使裂纹在更高的外加应力下从表面应力集中处萌生。同时，内部障碍物的减少使裂纹扩展路径更平直、扩展速率更慢。这种由缺陷主导转变为微观组织主导的断裂模式，是LIF-AM抗裂纹扩展能力提升的根本原因。

图10 LIF-AM改进的疲劳断裂机理示意图。（A）LPBF中的缺陷形成机理，显示出较大的LOF缺陷；（B）LPBF疲劳断裂，内部缺陷引发裂纹；（C）LIF-AM中飞秒激光冲击强化（FLSP）的振动和重熔效应消除了大部分LOF缺陷；（D）LIF-AM中的疲劳断裂，裂纹从表面和次表面区域开始。

LPBF过程中金属蒸气反冲导致粉末飞溅，激光诱导熔池坍塌形成气孔或不完全熔化产生未熔合缺陷，疲劳裂纹优先从大尺寸工艺缺陷处萌生并快速扩展。LIF-AM通过超快激光的振动效应剥离半熔融颗粒，并利用重熔效应修复未熔合缺陷，大幅减少各层表面的缺陷尺寸与数量，从而将疲劳裂纹源从内部缺陷转移至表面或近表面区域，裂纹由此向内扩展。LIF-AM通过减小缺陷尺寸与密度，有效抑制了增材制造钛合金中常见的缺陷主导型疲劳失效行为。

1. 基于先前研究中建立的CNN-Transformer替代模型，构建了一个以最小化表面粗糙度和最大化显微硬度为目标的多目标优化框架；

2. 通过将RNSGAIII算法与动态参考点机制与上述代理模型相结合，实现了对高度耦合的高维参数空间的有效探索，产生了一个分布良好的帕累托前沿，该前沿表征了多个性能目标之间的权衡关系；

3. 基于帕累托最优参数的实验验证表明，材料性能得到了显著提高。与LPBF工艺相比，试样的内部孔隙缺陷体积减少了约90%，显微硬度提高了15.8%，达到389 HV0.1，高周疲劳强度显著提高了32.3%，达到514.7±24.7 MPa。