《Additive Manufacturing》：Data-driven parameters design for laser powder bed fusion of high-performance nickel-based superalloys
编辑推荐：
激光粉末床熔融制备高性能镍基超合金过程中，通过高throughput tensile测试建立激光功率、扫描速度、 hatch距离与拉伸性能（屈服强度、抗拉强度、应变）的非线性关系数据库，结合机器学习模型优化参数选择，并采用Pareto多目标优化平衡强度与延展性，最终通过微观结构表征验证了位错强化、晶界强化和固溶强化的协同作用机制。
Ziming Bao|Jiaqi Wu|Xinyue Li|Lixian Lian|Wang Hu|Ke Huang|Ying Liu
四川大学材料科学与工程学院，成都，610065，中华人民共和国
摘要
在本研究中，将高通量（HT）力学测试与机器学习（ML）相结合，用于指导镍基高性能超合金的增材制造工艺参数选择。通过使用激光粉末床熔融（LPBF）技术与HT室温拉伸平台，我们快速制备并测试了70组不同的参数组合，建立了一个高质量的数据库，该数据库将主要工艺变量——激光功率、扫描速度和搭接距离——与拉伸性能（屈服强度、抗拉强度和应变）联系起来。通过调整神经网络模型的超参数，获得了一个高精度的预测器，能够将LPBF参数映射到室温性能。随后应用帕累托多目标优化方法来确定兼顾强度和延展性的参数窗口，选定的参数经过实验验证，证实了所提出的HT-ML工作流程的可靠性。深入的微观结构表征为观察到的性能提供了机制基础：合金本身较低的堆垛故障能量以及密集的a/2<110>位错在{111}面上的滑移作用——特别是a/2[0 1 ?1](1 ?1 1)系统——是高延展性的原因；而强度则主要受固溶强化、由于晶粒细化导致的晶界强化以及位错强化的共同作用。总体而言，该框架为选择LPBF参数以实现高强度和高延展性的镍基超合金部件提供了可解释的、基于机制的指导。
引言
镍基超合金因其优异的高温强度、抗蠕变性能和抗氧化性能而被广泛应用于航空航天等领域。增材制造（AM）是一种通过分层材料来构建三维结构的快速制造技术，激光粉末床熔融（LPBF）在镍基超合金的生产中得到了广泛应用[1]、[2]、[3]。已有大量关于镍基超合金增材制造的研究报道，例如Hastelloy X合金、IN625合金、IN718合金等。一些通过LPBF制造的镍基超合金表现出比传统铸造合金更优异的机械性能，这归因于增材制造超合金独特的微观结构[4]、[5]。在极快的冷却速率下，超合金会形成蜂窝状和柱状微观结构，蜂窝状微观结构中的高位错密度提高了材料的室温强度[6]。另一方面，与铸造合金相比，增材制造样品的元素偏析较少，晶粒尺寸更细，这也改善了材料的拉伸性能。
对于镍基超合金的增材制造工艺参数选择，大多数研究人员基于正交方法或试错法进行实验设计，以样品的缺陷和相对密度作为选择工艺参数的标准。这些方法在一定程度上有助于选择合适的AM工艺参数，但无法充分利用材料的性能。例如，在对IN718合金的增材制造研究中，不同工艺参数下制备的样品具有不同的微观结构，从而导致机械性能的差异[7]。AM工艺参数的选择也多种多样，包括激光功率、扫描速度、搭接距离、层厚、扫描策略等，这增加了选择高性能样品参数的难度。
机器学习（ML）技术基于数据或经验公式优化计算机程序的性能，是人工智能发展的重要方向之一。ML方法广泛应用于材料开发和工艺设计，有效降低了开发成本并缩短了设计时间[8]。ML被用于分析不同钢材的微观结构和性能，以指导高强度钢材的设计[9]。建立基于成分和热力学参数的ML模型加速了多性能优化钴基超合金的开发[10]。ML辅助开发了低裂纹倾向的镍基超合金，解决了高γ'相含量商用超合金的凝固裂纹问题。通过ML方法成功制备了高硬度高熵合金[11]。此外，将机器学习与合金结合在推动各种材料的进步方面发挥了特别重要的作用，包括金属玻璃、形状记忆合金、磁体和结构材料[12]。机器学习模型的建立依赖于高保真度的数据集，数据集的质量决定了模型的预测能力。高通量（HT）表征和测试方法可以通过少量实验高效收集包括相组成、微观结构图像和性能的数据，进一步促进了数据集的建立。开发了HT快速实验合金开发方法，以探索合金元素Cr、Nb和Mo对IN625合金微观结构和硬度的影响[13]。使用自动摄影平台配备的微X射线荧光和扫描电子显微镜作为高通量表征平台，收集了8371组关于成分和相信息的数据，并利用ML进行相预测[14]。Huang等人开发了高通量拉伸测试平台，通过微型样品设计和基于Python的控制代码实现了测试和数据处理的完全自动化[15]。一方面，HT表征和测试方法能够收集微观结构和性能数据，加速了数据库的建立。与文献中的数据相比，实验数据更为可靠和一致。另一方面，高精度的机器学习模型进一步加速了材料成分开发和工艺优化。两者的结合将极大地提升增材制造材料的智能设计。
在本研究中，采用高通量拉伸测试与ML辅助的工作流程相结合，用于选择高性能镍基超合金的LPBF参数。虽然LPBF参数的选择通常基于密度筛选或试错法，但由于工艺空间的高维性和实验成本，从工艺参数到室温拉伸性能的系统性、基于实验的映射仍然有限。为解决这一差距，我们建立了一致的高通量拉伸数据集，使用简单的神经网络回归器作为辅助工具来捕捉非线性工艺-性能关系，并进行基于帕累托的优化以确定兼顾强度和延展性的参数组合。然后制备出代表性的帕累托解并进行实验验证，通过详细的微观结构和强化机制分析进一步解释了所得到的高强度和延展性。
部分摘录
材料与激光粉末床熔融
本研究中使用的粉末是由研究团队开发的一种新型镍基超合金[16]，具体成分如表1所示。北京瑞邦新材料科技有限公司受委托采用气溶胶雾化方法制备了球形粉末，粉末的形态特征如图1(a, b)所示。该粉末具有较高的球形度，D50粒径为32.3 μm。在本研究中，使用了配备500 W
高通量拉伸性能数据集
高精度机器学习模型的开发依赖于高质量的数据集。足够数量的数据样本是必不可少的，数据分布应保持平衡，以避免可能偏置模型预测的偏斜。镍基超合金常用的LPBF加工参数范围总结在表2中。基于这些范围，我们首先定义了一个均匀的3D参数网格，包括激光功率（P）、扫描速度（v）和搭接距离（h）等参数
结论
总体而言，本研究的意义在于为镍基超合金的激光粉末床熔融（LPBF）工艺设计提供了一条实用且基于实验的途径。通过结合高通量拉伸数据集和机器学习（ML）辅助的替代方法，可以比传统的基于相对密度指标的试错筛选更高效地探索工艺-性能空间。基于帕累托的多目标优化进一步实现了
CRediT作者贡献声明
Lixian Lian：撰写——审稿与编辑、监督、方法论、资金获取、概念构思。Xinyue Li：验证、软件开发。Ke Huang：资源获取、调查。Wang Hu：方法论、正式分析、概念构思。Ying Liu：监督、项目管理、资金获取。Jiaqi Wu：可视化、调查。Ziming Bao：撰写——初稿撰写、资源获取、调查、正式分析、数据管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
作者衷心感谢四川省重大项目2025号JGBS0060和东方电气产业-学术-研究基金23H0654的支持。
