波兰奥波莱理工大学、捷克俄斯特拉发理工大学、波兰弗罗茨瓦夫理工大学、土耳其卡拉比克大学等机构科研人员联合发表综述论文《Transforming Additive Manufacturing with Artificial Intelligence: A Review of Current and Future Trends》，系统探讨人工智能（AI）在增材制造（AM）中的应用现状与未来趋势，成果刊登于《Archives of Computational Methods in Engineering》。
增材制造（AM）作为复杂结构产品制造的关键技术，正因人工智能的深度融合迎来范式变革。本文全面分析AI在粉末床熔融（PBF）、粘结剂喷射（BJT）、定向能量沉积（DED）和熔融沉积成型（FDM）等主流AM工艺中的赋能路径，涵盖设计优化、工艺调控、质量控制、材料开发及循环利用等核心环节。研究指出，“数据采集+机器学习算法”构成AI与AM融合的技术基石，并系统梳理当前挑战与发展方向。
AI驱动增材制造的技术革新
AI显著提升LPBF、BJT、DED、FDM等工艺的可预测性与稳定性，实现缺陷实时识别与过程智能调控。支持向量机（SVM）、随机森林（RF）等算法加速新材料研发与复合材料配方优化，同时推动打印构件的回收再生。
关键工艺参数优化与效率提升
机器学习可精准调控激光功率、扫描速度、层厚等LPBF/DED核心参数，降低试错成本超60%。基于大数据的智能模型能有效预测制造结果，使首次打印成功率提升至90%以上。
产业应用与定制化生产突破
AI与AM协同推动航空、汽车、医疗等领域实现高附加值定制化生产：
- 航空发动机拓扑优化部件实现减重30%以上
- 患者特异性骨科植入物设计周期缩短80%
- 通过能源效率优化与循环经济实践，AM碳排放减少约25%
现存挑战
- 设备成本高、工艺复杂制约技术普及
- 材料性能波动大，缺乏统一质量标准
- 跨学科复合型人才供给不足
未来发展方向
- 开发面向AM的专用数字孪生平台，实现全生命周期智能管控
- 构建“材料-工艺-性能”关联数据库，打破经验驱动瓶颈
- 推广绿色增材制造模式，利用AI优化能耗与废料回收
图1 按材料类型划分的AM技术分类
图2 增材制造工艺体系图谱
图3 BJT工艺流程图解：a)基底层制备 b)液态粘结剂沉积 c)粉末铺展 d)零件固化 e)脱粉 f)孔隙渗透 g)烧结 h)颗粒熔合
图4 激光粉末床熔融（LPBF）原理示意图
图5 LPBF关键工艺参数体系
图6 DED技术：a)优势 b)微观组织/热循环/缺陷/小孔效应等挑战 c)粉末-激光-熔池相互作用机制
图7 半固态浆料制备(i)、丝材加工与重熔(ii)、挤出工艺类型(iii：丝基/柱塞基/螺杆基)
图8 PEEK材料FDM打印系统
图9 喷墨打印技术原理
图10 机器学习模型构建流程
图11 机器学习方法及其实现AI目标的路径
图12 基于单目视觉的AM质量监测系统
图13 热像仪温度场(a)与高温计熔池深度(b)的协同监测
图14 AI驱动的制造设计优化维度
图15 点阵结构优化：A)初始vs优化设计对比 B)导数感知神经网络 C)多尺度优化流程
图16 各AM技术工艺参数对比
图17 纤维回收数据采集(A)与机器学习表征(B)
图18 AI在循环利用中的应用场景