《Powder Technology》：Mitigating critical defect formation of LPBF AlSi10Mg parts through synergistic control of raster overlap and powder recycling with machine learning
编辑推荐：
激光粉末床熔融（LPBF）加工中，AlSi10Mg粉末循环次数（4/6/8次）、扫描重叠率（15%/35%/55%）和激光速度（650/950/1250 mm/s）对致密化率和力学性能的影响研究表明，6次循环结合55%重叠率和950 mm/s速度可实现99.32%致密率、574 MPa抗拉强度及最小渗透深度（139.14 nm），而8次循环配合低重叠率和高速则导致孔隙率升高和力学性能下降。机器学习模型验证了多参数协同调控对粉末再生工艺和零件性能优化的有效性。
M. Saravana Kumar | Che-Hua Yang | Khaja Moiduddin | M. Belsam Jeba Ananth | Mustufa Haider Abidi
国立台北科技大学制造技术研究生院，台北10608，台湾
摘要
粉末再利用是降低激光粉末床熔融（LPBF）工艺成本和减少关键缺陷形成的关键策略，因为大量的输入粉末在制造过程中被浪费了。粉末的再利用可能会导致形态变化、氧化和团聚，这些直接影响打印部件的质量。本研究调查了粉末回收次数（4次、6次和8次）、光栅重叠率（15%、35%和55%）以及光束速度（650毫米/秒、950毫米/秒和1250毫米/秒）对LPBF制造的AlSi10Mg部件的致密度和机械性能的影响。通过评估相对密度、抗拉强度和穿透深度等关键质量指标，确定了最佳的再利用条件。实验结果表明，6次回收循环结合高光栅重叠率（55%）和中等光束速度（950毫米/秒）可实现接近全致密度（99.32%）、最大抗拉强度（574兆帕）和最小穿透深度（139.14纳米）。相比之下，超过8次的回收循环、低重叠率和高光束速度会导致显著的孔隙率、团聚颗粒以及熔合缺陷，从而导致脆性断裂行为和抗拉强度降低至335兆帕。采用机器学习模型来预测机械响应。验证结果表明，在平衡的工艺条件下，最多6次的粉末再利用可以提高硬度、延展性和缺陷容忍度，同时促进工艺的可持续性。这项工作强调了协同参数控制对于实现高效粉末回收和确保LPBF制造的AlSi10Mg部件性能一致性的关键作用。
引言
增材制造（AM）是一种快速发展的技术，在医疗、汽车和航空航天等领域得到应用[1]。增材制造的主要优势包括设计灵活性、减少浪费、减少技术步骤、缩短生产时间[2]以及降低低批量生产的供应链成本[3][4]。然而，一些限制因素阻碍了AM技术在某些领域的广泛应用[5]，例如缺乏一致性、重复性问题、机器切换迅速以及关于粉末再利用的知识不足[6]。
对于LPBF而言，粉末的再利用至关重要。根据ISO/ASTM 52900:202标准，LPBF通过使用一个或多个激光选择性熔化或烧结沉积的粉末层来制造物体[7]。因此，由于可以在多个过程中重复使用粉末，LPBF技术更加可持续且生产成本更低[8]。通常的做法是多次使用未熔化的粉末材料。制造商通常采用粉末回收/再生技术来实现LPBF中的粉末再利用[9]。目前仍在研究如何在不牺牲部件质量的前提下限制粉末的使用时间和数量，以及促进回收粉末高效打印的工艺因素。本研究探讨了与回收AlSi10Mg粉末兼容的重要工艺参数，以确定保持粉末质量和提高LPBF基AlSi10Mg部件效率的理想设置。
Tatiana Fedina等人[10]研究了粉末老化对LPBF过程中AlSi10Mg粉末性能的影响。他们利用X射线计算机断层扫描、光学显微镜和粉末性能分析方法研究了原始粉末和老化粉末的化学变化、形态、孔隙率分布和机械行为。研究发现，老化粉末的氧含量较高，孔隙率较大（6.5% vs 3.16%），加工性能较差，伸长率和抗拉强度显著下降。Mert Coskun等人[11]比较了增材制造的AlSi10Mg与铸造合金的特性，发现增材制造的AlSi10Mg在断裂时的伸长率较高但不稳定。Kirstin Riener等人[13]研究了不同扫描速度下AlSi10Mg粉末特性对部件质量的影响，测量了颗粒特性、体积密度和流动性、激光吸收率以及原位层密度，并分析了部件密度、表面质量和机械性能。他们发现激光吸收率是预测部件密度最敏感的指标，粉末形状直接影响密度和表面粗糙度，等离子体雾化粉末允许更高的扫描速度并获得更好的性能。
Laura Cordova等人[14]研究了粉末再利用对高强度Al–Mg–Sc–Zr合金LPBF加工的影响。他们对由原始粉末和回收粉末制成的样品进行了机械测试，并对粉末进行了表征（形态、成分和粒径分布分析）。研究发现，通过筛分和添加40%的原始粉末可以重新利用粉末，虽然粒径分布略有变粗，孔隙率略有增加，但机械性能相似（UTS 565兆帕 vs 537兆帕；伸长率13% vs 11%）。Kirstin Riener等人[15]研究了潮湿储存条件对AlSi10Mg粉末及其LPBF部件的影响，包括密度、机械特性和表面质量的评估，以及工艺参数的调整（激光功率和扫描速度）。他们发现，潮湿条件下储存的粉末会吸收水分但不改变氧化层，导致某些区域的密度和强度下降。然而，这些不利影响可以通过真空干燥消除。Rashmi Saragur Nanjundaiah等人[16]研究了LPBF制造的AlSi10Mg在原始状态和热处理状态（T5、T6、SR）下的摩擦磨损行为，评估了摩擦系数、磨损表面和磨损体积损失，并进行了微观结构分析、硬度测试和不同正常载荷下的摩擦磨损研究。他们发现T5状态的耐磨性优于T6和SR状态，这与微观结构的粗化和应力状态有关，而原始状态的样品具有更细的微观结构和更高的硬度，因此磨损量最小。
近年来，有大量研究致力于发现和减少金属增材制造过程中产生的缺陷。机器学习（ML）算法开始被用于金属增材制造中的质量预测和缺陷识别[17]。这些算法可以通过快速分析大量生成的数据来识别工艺特定输入变量与最终部件质量之间的关联。ML技术可以处理多种数据格式，包括提取的特征向量、音频信号和视觉图像[18]。Liu等人[19]提出了一种实时监控系统，利用主成分分析（PCA）和支持向量机（SVM）检测缺陷。Chen等人[20]为DED-AM工艺提出了一种表面缺陷检测方法，通过嵌入多类分类和聚类的ML模型来检测表面缺陷，测试并优化了8种分类器，其中K-最近邻（KNN）的准确率最高，达到93.15%。Behnke等人[21]研究了AM工艺与孔隙率之间的关系，并提供了能够高效、精确和一致地预测缺陷和异常的模型。Early Stopping Neural Network（ESNN）和Random Forest（RF）分类器也被用于分类热成像图像，这两种技术的准确率均超过99%，实现了原位质量预测[21]。
找到AlSi10Mg粉末的最佳再利用设置对于制造AlSi10Mg部件至关重要，尤其是在考虑关键工艺因素的情况下。通过对文献的调研，发现该领域存在显著的研究空白。为解决这一问题，本研究利用ML模型研究了光栅重叠率、光束速度和粉末回收次数之间的关系。为了确定最佳再利用条件，采用了相对密度（RD）、抗拉强度（TS）和穿透深度（PD）等关键质量指标。通过使用理想和较差的参数进行了测试，利用多层感知器（MLP）、支持向量回归（SVR）、决策树（DT）和随机森林（RF）等ML模型来分析不同处理后的响应差异，以确定最佳结果并进行再次验证。
部分摘录
再利用的AlSi10Mg合金
本研究使用了4次、6次和8次回收的AlSi10Mg粉末，以研究其对机械性能的影响并确定最佳再利用方案。研究从第4次回收循环开始，因为之前的循环（1-3次）在粒径分布和机械性能方面与原始粉末相比几乎没有差异[14][22]。
参数的相互作用
图5(a-d)中的响应面等高线图显示了回收次数、光栅重叠率和光束速度对LPBF制造的AlSi10Mg部件的相对密度（RD）、穿透深度（PD）、抗拉强度（TS）和整体性能的综合影响。这些参数的相互作用直接影响部件的机械性能。如图5(a)所示，光栅重叠率显著提高了RD和TS。
结论
本研究评估了LPBF制造的AlSi10Mg合金试样的性能，研究了粉末回收次数、光栅重叠率和光束速度对微观结构完整性和机械性能的影响。最佳条件为6次回收循环、55%的光栅重叠率和950毫米/秒的光束速度，这体现在TS的提高、硬度的增强（PD降低）和接近全致密度上。断口分析证实了材料的延展性破坏特征和少量的未熔化颗粒。
作者贡献声明
M. Saravana Kumar：撰写 – 审稿与编辑、初稿撰写、可视化、研究、数据整理、概念化。
Che-Hua Yang：撰写 – 审稿与编辑、初稿撰写、可视化、研究、概念化。
Khaja Moiduddin：撰写 – 审稿与编辑、初稿撰写、可视化、研究、数据整理、概念化。
M. Belsam Jeba Ananth：初稿撰写、可视化、验证、正式分析。
资助声明
本研究由沙特阿拉伯利雅得国王沙特大学的研究所/中心支持计划（RICSP-26-2）资助。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
作者感谢沙特阿拉伯利雅得国王沙特大学通过研究所/中心支持计划（RICSP-26-2）对本研究的资助。
