《Additive Manufacturing》：Prediction and homogenization of optical tomography images and microstructure during powder bed fusion of metals using a laser beam by means of a style-based generative adversarial network
编辑推荐：
为解决金属激光粉末床熔融(PBF-LB/M)过程中因热输入不均导致的残余应力和微观结构不规则等难题，本研究创新性地采用风格生成对抗网络(sbGAN)，结合光学层析成像(OT)数据与有限元模拟，实现了对Inconel 718(IN718)加工过程中热行为的精准预测。通过激光功率调制策略，成功将过热区域的OT灰度值标准差降低25%以上，有效促进了微观结构的均质化，为提升增材制造零件质量可靠性提供了智能化解决方案。
增材制造技术以其高效的材料利用率和复杂几何形状制造能力，已成为现代制造业的核心技术。然而，在金属激光粉末床熔融(PBF-LB/M)过程中，不均匀的热能输入容易引发残余应力和微观结构不规则，导致零件机械性能不一致，严重制约了该技术在工业领域的广泛应用。传统数值模拟方法虽能提供热场信息，但计算成本高昂，难以满足大规模应用需求。
针对上述挑战，德国慕尼黑工业大学的研究团队在《Additive Manufacturing》期刊发表论文，提出了一种基于风格生成对抗网络(sbGAN)的智能方法，用于预测和优化PBF-LB/M过程中的热行为和微观结构。该研究通过设计包含几何诱导和矢量诱导过热现象的多种构建任务，结合光学层析成像(OT)监测数据和有限元模拟(FEM)结果，建立了能够准确预测热特征的人工智能模型。
关键技术方法
研究采用多尺度方法整合了工艺统计数据与物理模拟结果。首先通过有限元法建立部件尺度的过热模拟，识别几何诱导过热区域；同时基于机器数据提取激光扫描路径信息，构建考虑能量密度(AED)和归一化矢量的输入通道。利用风格生成对抗网络(sbGAN)架构，结合SPADE归一化和VGG19特征提取技术，实现了对OT图像的精准预测。通过建立激光功率与OT灰度值的线性关系，开发了基于像素级的激光功率调制算法。
4.1 热行为预测能力
4.1.1 训练与验证
超参数研究表明，当训练批次大小(TBS)为16、网络维度为32时，模型在验证集上的L2范数收敛至500-700范围内。训练过程持续约135小时，包含360,642个训练步骤，表现出良好的泛化能力。
4.1.2 测试
对LPV_SD2构建任务的测试显示，预测OT图像与真实图像在均值和标准差方面仅相差0.66%和7.99%。对于未参与训练的Homogenization构建任务，预测结果仍保持较高精度，均值偏差为1.64%，标准差偏差为15.72%，证明了模型的强迁移学习能力。
4.2 均质化效果
4.2.1 校准
研究建立了激光功率与OT灰度值的线性关系模型，通过拟合均値、最小值和最大值曲线，为激光功率调整提供了数学基础。
4.2.2 验证与确认
经激光功率调整后，Homogenization构建任务的OT灰度值标准差从5217降低至3903，降幅超过25%。微观结构分析显示，改性激光功率样本的晶粒纵横比从3.4降至3.3，晶粒面积从507.1μm2减少至499.4μm2，表明晶粒结构更加均匀。
研究结论与意义
本研究成功证明了sbGAN在预测PBF-LB/M过程中热行为的有效性，开发的均质化方法显著改善了OT信号的一致性。虽然微观结构变化相对较小，但观察到的趋势表明通过智能工艺参数调整优化微观结构的潜力。该研究为实现增材制造过程的数字化和智能化控制提供了重要技术支撑，对提高工业应用中的零件质量和可靠性具有深远意义。未来工作可扩展至更多材料体系，并探索局部微观结构的定制化调控策略。
