增材制造（俗稱3D打印）目前已被廣泛用于汽車、醫療、航天等不同領域，尤其是激光粉末熔融技術（laser powder bed fusion, LPBF）被成功地應用于多種金屬合金的增材制造。此技術實現過程中一個普遍的問題是如何針對特定材料選擇加工參數，即加工參數優化工作。特別是針對新材料開發時，往往會耗費大量的時間和資金才可以得到較為合適的加工參數。如果加工參數選擇不當，制造出的產品往往得不到高質量密度或存在裂紋、孔隙等問題，進而機械性能也不盡人意。

澳大利亞新南威爾士大學的研究人員通過對AlSi10Mg合金的研究，提出了一種基于機器學習的參數優化方案，并通過圖像識別技術更全面細致地刻畫了材料顯微結構特征。此研究最終闡述并建立了“打印過程參數-材料顯微結構-材料機械性能”三者之間的量化關系，對于材料的工業應用具有指導性作用。相關論文以題為“Machine-learning assisted laser powder bed fusion process optimization for AlSi10Mg: New microstructure description indices and fracture mechanisms”發表在金屬材料頂級期刊Acta Materialia.

論文鏈接：https://doi.org/10.1016/j.actamat.2020.10.010

本研究選擇AlSi10Mg為目標材料，通過LPBF技術以不同的打印參數加工出一定量的塊體材料，進行密度測量后作為輸入訓練集，通過高斯過程回歸（Gaussian process regression, GPR）進行參數優化，從而得到一個范圍較大的優化參數窗口，而不僅僅是一組優化參數，來為科研人員或材料使用者提供更多的加工參數選擇。在得到優化參數窗口后（可以得到密度大于99%樣品的打印參數區域），五組新的打印參數被挑選出來作為驗證集測試預測準確性。實驗結果表明，高斯過程回歸可以在較少訓練數據的情況下保持較高的預測準確性。更廣的參數選擇范圍為材料發展提供了更多的可能性與更靈活的應用性。

圖1 （a）不同打印參數下的加工塊體的物理密度；（b）高斯過程回歸預測響應曲面；（c）預測值的預測誤差

圖2 （a）高斯過程回歸預測打印密度2D平面等高線圖，橘色區域為優化參數窗口區（密度>99%）；（b）五個新打印參數，作為驗證集樣品驗證預測準確性

從密度優化參數窗口新選擇出來的五組打印參數，被用來制備更多的樣品用于顯微結構刻畫與機械性能測試。本研究通過利用圖像識別技術（Image processing， IP）與主成分分析技術（Principal components analysis， PCA），基于10個圖像特征全新構建了兩個顯微結構特征參數Id與Is，以此更全面地刻畫、表征出Al-Si胞狀結構顯微特征。此外，本研究還進行了硬度測試、拉伸測試以及斷裂韌性測試，從多方面反應材料的機械表現性能。通過機器學習預測所得出的較大參數優化窗口，我們發現了更多新的優化打印參數，打印試樣最終得到了此前未達到的機械性能。

圖3 AlSi10Mg電子顯微結構及晶粒結構

圖4 兩個新型顯微結構特征參數，分別刻畫胞狀結構的尺寸維度與形狀維度

圖5 AlSi10Mg的硬度、拉伸曲線及斷裂韌性曲線

圖6 拉伸及斷裂的斷口分析圖

圖7 本研究中五個驗證集打印參數表現出令人滿意的機械性能，在具有較高強度的同時保持了較高的延展性