将大型语言模型（LLMs）整合到 binder jetting 打印 Ti-6Al-4V 金属零件的打印过程优化中

《Powder Technology》：Integrating large language models (LLMs) into printing process optimization for binder jetting printed Ti-6Al-4V

粘结剂喷射增材制造（BJAM）钛合金打印参数优化研究提出一种融合神经支持向量回归（NeuroSVK）与大语言模型（LLM）的集成模型，通过优化算法和推理机制实现打印参数智能推荐及绿色体质量预测。实验验证模型推荐的参数（干燥速度1mm/s，粉末铺展速度55mm/s，参考电压90V，层厚60μm，滚筒转速240rpm）与实测最优参数高度吻合（R2=0.94），且绿色体密度分布更稳定。打印件经烧结后密度≥97%，显微组织包含α相与晶界β相，力学性能达到 tensile strength 1015±23MPa，elongation 10.2±0.6%。

　　

钱宇航|罗霞|魏倩龙|易森林|张亮|黄德清|秦娜|刘瑞成|黄若|库拉波娃（奥尔加·尤）|弗拉基米尔·根纳季耶维奇·科纳科夫|吴敏|傅志强

中国西南石油大学新能源与材料学院，成都610500

摘要

粘结剂喷射增材制造（BJAM）工艺涉及多个参数，如层厚度、参考电压、粉末扩散速度、干燥速度和滚轮速度等。传统的实验参数优化面临严峻挑战。近期生成式人工智能（Gen AI）的进步为制造业带来了变革潜力。本研究提出了一种新型的Stacking NeuroSVK模型，该模型结合了大型语言模型（LLM），用于优化打印参数，并同时预测打印出的Ti-6Al-4V坯体的相对密度和尺寸变化。使用K折交叉验证方法评估了43组实验数据的打印数据集，以进行全面的模型训练和验证。预测准确性通过均方误差（MSE）和决定系数（R2）进行评估（Porter等人，2023年）。通过100个提示对LLM进行了微调，以帮助评估模型优化参数的合理性，并开发了一个问答代理。结果显示，模型的推荐参数与实验最优参数非常接近，R2值为0.94。重要的是，使用模型参数打印的坯体密度分布比使用实验优化参数的坯体更稳定。最后，使用模型优化参数打印的TC4发动机活塞在1400°C下烧结2小时，达到了≥97%的相对密度。微观结构由α相组成，平均晶粒尺寸为28.09±14.23μm；在晶界处有β相，显微硬度为362 HV，抗拉强度为1015±23 MPa，伸长率为10.2±0.6%；碳含量为0.14 wt%，氧含量为0.28 wt%，X、Y和Z方向的尺寸收缩率分别为15.75%、14.55%和18.34%。

引言

随着增材制造（AM）技术的快速发展，粘结剂喷射增材制造（BJAM）因其高效率、低成本和良好的材料兼容性而受到广泛关注[1]。迄今为止，BJAM已成功应用于各种金属和陶瓷材料的制造[2]。近年来，钛合金由于其高强度、优异的耐腐蚀性、高耐热性和良好的生物相容性而成为BJAM的常用材料。许多研究[3]、[4]、[5]、[6]、[7]、[8]探讨了参数（包括打印和固化参数）对坯体的影响，并基于实验结果提出了有效的打印策略。最终，烧结后的钛合金表现出优异的性能。由于BJAM与粉末冶金和金属注射成型（MIM）技术的烧结行为相似，它们可以共享烧结过程的专业知识。然而，对于众多打印和材料参数如何影响坯体质量的理解仍然有限，而这些参数对最终组件的质量至关重要。要通过传统实验方法准确优化众多工艺参数以实现高性能钛合金部件，既耗时又费力且成本高昂，往往无法达到预期的优化效果。基于物理仿真的工艺参数优化缺乏多物理场耦合模型，确定最佳工艺参数需要跨BJAM工艺各个领域的深入专业知识。鉴于这些挑战，机器学习（ML）为解决BJAM中的复杂工艺优化问题提供了新的方法。

ML可以通过分析大量生产数据来优化工艺，从而提高组件的性能和质量[9]。其与增材制造（AM）的结合为制造业带来了变革[10]、[11]、[12]。Anand等人[13]使用机器学习预测了增材制造的Ti-6Al-4V合金的研磨参数。Cao等人[14]在机器学习的辅助下预测并优化了Ti6Al4V合金激光粉末床熔融的机械性能。Qian等人[15]训练了五种不同的模型，包括ANN、随机森林（RF）、支持向量回归（SVR）、K最近邻回归（KNNR）和逻辑回归（LR），以预测BJAM-2024铝合金的最佳打印工艺参数和坯体质量，实现了0.92的R2值。Recep Onler等人[16]使用人工神经网络（ANN）构建了Co-Cr-Mo合金的BJAM打印模型，预测准确性超过90%。Daniel Günther等人[17]利用ML模型对BJAM打印过程进行在线监控。然而，传统ML在处理打印过程中的多模态数据（如图像、声学信号、文本等）中的非线性高维关系时存在效率低下和智能水平较低的问题。随着生成式人工智能（Gen AI）的快速发展，LLM开始从文本辅助扩展到制造业。Shu-Kai S. Fan等人[18]提出在MES架构中集成大型语言模型（LLM），为光刻胶行业提供实时报警检测、生产线监控和自主控制支持，显著提高了决策准确性和运营效率。Chandrasekhar A等人[19]采用预训练的Llama2-7B模型，并在检索增强生成（RAG）框架中动态整合了大约50篇关于增材制造（AM）领域的论文和材料。这种方法旨在帮助研究人员和用户导航精心策划的文献数据库。Pak P等人[20]微调了四种不同的模型（DistilBERT、SciBERT、Llama 3和T5），构建了一个名为AdditiveLLM的模型。该模型可以根据粉末床熔融过程的输入参数预测缺陷模式，包括关键孔缺陷、未熔合和球化，准确率达到93%。Fang Q等人[21]结合上下文学习（ICL）和重复查询与投票（RQV）技术，利用LLM进行桶光聚合中的缺陷检测，分类准确率达到96.2%。

因此，本研究提出了一种集成模型NeuroSVK，该模型结合了ANN、K最近邻回归（KNNR）和支持向量回归（SVR），并使用Optuna优化策略来实现更高的预测准确性。随后，NeuroSVK与大型语言模型（LLM）集成，后者可以通过推理评估预测参数的合理性并提供评估（详见第3.3节）。最后，将模型预测的最佳打印参数和坯体质量与实验结果进行比较，以进一步提高模型的准确性。然后利用结合实验和模型预测结果推荐的最佳打印参数进行组件打印，随后进行烧结以验证BJAM钛合金的机械性能。所提出的基于LLM的NeuroSVK模型（详见第2.4节）旨在显著提高现代BJAM工艺中的参数优化、决策准确性和运营效率。

材料

使用的是成都天奇增材制造有限公司生产的气雾化球形Ti-6Al-4V合金粉末。粉末的形态和粒径分布如图1(a-c)所示，粒径范围为15–53 μm。Ti-6Al-4V的固相线温度约为1605°C，液相线温度约为1650°C[22]。

打印和烧结

打印出了不同形状的坯体（包括15 mm × 20 mm × 10 mm的立方体形状以及直径为8 mm、高度为10 mm的圆柱体形状）

打印参数对坯体的影响

$V_{\mathrm{粘合剂}}=0.03086U?1.5381$$S=\frac{V_{\mathrm{粘合剂}}}{\left(1?\frac{\mathrm{PR}}{100}\right)?15?20?L_{\mathrm{距离}}}$ 参考电压表示打印头单次喷射的粘合剂量，这会影响粘合剂的饱和度（S）、打印过程和坯体的质量。为了确定参考电压与实际喷射粘合剂量之间的关系，设计了以下实验：使用不同的参考电压（范围从70到120 V）喷射15 × 20 mm2的面积。

结论

• （1）本研究提出了结合LLM的NeuroSVK模型作为优化打印过程的代理。该框架成功支持实时优化和坯体预测。尽管受限于小数据集，该代理的预测结果与实际结果的一致性非常好，R2值超过0.94。代理推荐的参数为：干燥速度1 mm/s、粉末扩散速度55 mm/s、参考电压90 V、层厚度60 μm和滚轮速度240 rpm。

CRediT作者贡献声明

钱宇航：验证、监督、软件、项目管理、数据分析、数据整理。罗霞：项目管理、数据分析。魏倩龙：撰写初稿、软件、方法论。易森林：验证、监督。张亮：验证、监督、软件、资源获取、资金筹措、数据分析。黄德清：调查、数据整理。秦娜：监督、方法论。刘瑞成：软件。黄若：项目管理。库拉波娃：

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者衷心感谢四川省科技计划 [项目编号：2024JDHJ0003]、深圳职业技术学院 [602331004PQ]、广东省教育厅 [2024GCZX014和2023ZDZX3079]以及国家自然科学基金 [52376076, 12374450]提供的财政支持。