综述: 金属增材制造中的深度学习：工艺-结构-性能的关系
作者单位：爱荷华州立大学
DOI: https://doi.org/10.1016/j.pmatsci.2025.101587
一、研究背景与核心论点
1.1 研究动因
-
• 金属增材制造（AM）需突破传统试错法的高成本瓶颈，DL可提供： -
• 非线性关系建模：解决材料-工艺-结构-性能的复杂关联 -
• 大数据处理能力：解析海量传感器数据（热成像/声发射/CT等） -
• 生成设计优化：实现工艺参数自动调优与拓扑创新
1.2 综述创新点
-
• 统一框架：首次整合工艺-结构-性能的完整关系链 -
• 算法指南：依问题类型推荐DL架构并提供开源代码 -
-
• 瓶颈剖析：明确数据质量、计算效率等关键障碍 -
• 三重融合：物理模型+实验数据+DL的综合范式
二、深度学习核心算法体系
2.1 判别式DL（Discriminative DL）
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2.2 生成式DL（Generative DL）
-
• GAN架构： -
-
• 生成微结构合成数据（加速相场模拟） -
• 拓扑优化设计（误差<15%）
-
• 自编码器（AE）： -
• 数据降维（热图像压缩率85%） -
• 缺陷增强（解决样本不平衡）
2.3 强化学习（Reinforcement Learning）
-
• 实时控制： -
-
• 熔池深度动态调控（Q-learning） -
• 层间粗糙度优化（DDPG）
三、DL在AM的核心应用领域
3.1 部件设计与构型优化
-
• 拓扑生成： -
• GAN驱动轻量化设计（引擎支架减重70%） -
-
• 晶格结构预测（ >0.98） -
• 工艺规划： -
• 扫描路径优化（TP-RNN降低热积累） -
• 多材料分布设计（CVAE优化弹性模量）
3.2 在线监控与过程控制
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3.3 微观组织与性能调控
-
• 组织预测： -
-
• GNN预测晶粒生长（计算耗时降 ） -
• CNN分割α/β相
-
• 力学性能优化： -
• UTS预测（CNN+热历史，误差<5%） -
-
• 晶塑模型替代（DNN加速 ）
3.4 残余应力抑制
-
• 数据驱动预测： -
• MLP-FEM耦合模型（误差<15%） -
-
• 3D U-Net应力场重构 -
-
• 形变补偿策略： -
• 逆向网络生成补偿几何（RMSE=24μm） -
四、关键挑战与应对路径
4.1 核心瓶颈
数据壁垒：
高成本实验数据；
模拟数据可信度
计算挑战：
实时处理延迟
3D 重构资源消耗；
模型局限：
物理机制嵌入不足；
跨材料泛化性弱
4.2 解决框架
-
1. 物理增强学习（PIDL）： -
-
• 热传导方程约束网络（预测误差<5%） -
2. 混合数据策略： -
• 迁移学习（316L→青铜，精度保持>85%） -
• 小样本学习（架构迁移） -
-
3. 量子-边缘计算： -
• IBM量子处理器加速拓扑优化 -
• NVIDIA Grace Hopper超算集成
五、工业实践建议
5.1 算法选择树
IF 任务类型：
│─► 分类/回归 → CNN/Transformer (图像/序列)
│─► 数据生成 → GAN/VAE (缺陷增强)
│─► 实时决策 → DQN/MDP (参数控制)
5.2 实施三原则
-
1. 数据预验证： -
• 传感器标定（例：熔池影像像素误差<5μm） -
• 金相标注交叉验证（Dice系数>0.92） -
2. 不确定性量化： -
-
• Monte Carlo Dropout评估预测置信区间 -
3. 人机协同校验： -
• 域专家解析关键特征（例：枝晶取向-疲劳关联）
六、未来前瞻
-
1. 物理引导网络： -
• 相变动力学方程嵌入微观预测 -
2. 数字孪生闭环： -
• 在线CT+DL即时缺陷修复 -
3. 材料基因工程： -
• 强化学习探索新合金打印窗口 -
4. 标准化推进： -
• NIST AM-Bench数据集认证模型
