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。
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。由 Jeong Ah
Lee、Yeon Woo Kim、Takayoshi Nakano、Hyomoon Joo、Jeong Min Park 和 Hyoung
Seop Kim 进行。
本研究提出了一种旨在克服缺陷而非消除缺陷的模型，这是一种新的策略，它有别于目前金属零件生产中质量保证所采用的迭代式、资源密集型测试。
△从左至右：KIMS高级研究员朴正民、浦项科技大学材料科学与工程系硕士博士联合培养项目学生李正雅、金亨燮教授。图片来自浦项科技大学。
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。
工程师真正能读懂的结果
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。
面向缺陷感知的设计路线图
研究团队将此框架视为迈向更广泛目标的垫脚石：一种设计工具，能够预先规划零件性能如何响应制造条件的变化。工程师无需通过多轮物理测试来发现缺陷，即可在设计阶段预先识别这些缺陷，从而减少目前阻碍材料开发和关键应用零件认证的迭代周期。
金亨燮表示：“这项技术将提高金属 3D 打印部件的可靠性，大大加快在航空航天和汽车等领域的商业化进程。”
△数据选择性机器学习的图形摘要。图片来自 Jeong Ah Lee 等人，Acta Materialia。
当前限制
框架基于一个受限数据集构建，数据集包含 44 个完全标注的数据点和 111 个部分标注的数据点。尽管处理得当，但这种规模仍然限制了模型的泛化能力。为弥补样本量过小而采用的数据增强技术，精度可能不及通过更广泛的实验验证所达到的水平。模型还依赖于晶粒尺寸和晶胞尺寸等微观结构特征，而这些特征在实际生产环境中并不总是可用的，这意味着全部预测能力取决于难以获取或获取成本高昂的数据。最后，验证工作仅在六种制造条件下对 AlSi10Mg 材料进行了验证。这种方法对其他 LPBF 材料或更多样化的加工环境的适用性仍有待进一步验证。
人工智能与金属3D打印中的缺陷问题
POSTECH-KIMS框架体现了增材制造领域目前处理内部缺陷的方式，即从检测和消除缺陷转向预测和容错。这种新兴策略不再将缺陷视为需要避免的故障，而是构建人工智能系统，从一开始就将缺陷纳入性能预测，从而使零件即使存在瑕疵也能获得认证。
这一研究方向在科研和工业领域都越来越受到重视。阿贡国家实验室和德克萨斯农工大学的一个团队利用实时热数据训练机器学习算法，将激光粉末床熔融过程中零件的温度变化与亚表面缺陷的形成联系起来。这种方法旨在检测3D零件在成型过程中产生的缺陷，而不是在成型完成后才进行检测。
另一方面，Euler是一家初创公司，他的客户包括英国增材制造公司 Alloyed 和荷兰精密制造商 KMWE。公司已筹集 200 万欧元，用于扩大人工智能驱动的工业 3D 打印故障检测和过程控制。POSTECH-KIMS的研究工作与众不同之处在于，它从检测转向后果分析，在进行任何测试之前预测缺陷如何影响强度。
来源：南极熊
0 留言