针对激光粉末床熔融（LPBF）成形的Ti6Al4V合金，为了提高合金力学性能，传统的试错方法耗时长且成本高昂。本研究设计了基于机器学习的聚类整合回归模型（Clustering Integrated Regression Model, CIRM），用以建立工艺参数与力学性能之间的关系模型。基于CIRM模型的快速预测，本文使用非支配排序遗传算法II（Non-dominated Sorting Genetic Algorithm II, NSGA-II），针对多目标力学性能，优化LPBF的工艺参数，实现了强度和延展性之间的平衡。通过实验，也验证了优化后工艺参数成形的样品表现出了强度和延展性的出色结合。此外，本文采用SHAP可解释模型，进一步评估了LPBF工艺参数对力学性能指标的重要性和贡献度，帮助我们理解每个工艺参数是如何影响预测模型的输出。
钛合金因其轻质而高强的属性，结合LPBF技术的定制化与快速成形能力，使得LPBF成形的Ti6Al4V合金在航空航天和生物医疗等行业中被广泛应用，LPBF成形的Ti6Al4V合金力学性能也在工程应用中受到了广泛关注。由于LPBF工艺制备的Ti6Al4V合金具有近乎全马氏体微观结构，因极高的冷却速率而导致其具有低断后延伸率和高强度的特点，因此需要在延伸率和强度之间进行平衡。同时，在LPBF成形过程中，由于快速熔化和极端非平衡凝固条件的影响，难以避免出现孔隙、裂纹以及织构等问题。因此，LPBF成形高性能Ti6Al4V合金的微观组织调控和力学性能改善是本研究的重点。
增材制造涉及到庞大的工艺参数体系，以及工艺-组织-性能之间的复杂关系，因此工艺研发往往依赖大量实验的“试错法”，其周期长、成本高、偶然性大，已经无法满足面向新型高性能合金工艺开发的需求。随着人工智能和大数据分析的不断发展，以及它们在材料领域的不断应用，采用机器学习等方法可加速增材制造工艺的开发。然而，目前关于将机器学习应用于LPBF从力学性能预测到工艺参数优化的综合研究还比较缺乏，且具有挑战性。该工作需要利用有限的数据建立准确且快速的LPBF工艺预测模型，同时在针对力学性能目标的前向预测结果基础上进行工艺参数空间的逆向搜索和优化。本文针对这两个主要研究内容，通过模型建立和实验验证，探索并实现Ti6Al4V合金LPBF工艺优化的目标。
为了能尽可能建立全领域适应的力学性能预测模型，我们结合K-Means聚类与多种机器学习回归模型（高斯过程回归、支持向量回归和随机森林），设计了Clustering Integrated Regression（CIRM）预测方法和模型，提高了数据驱动的预测准确性和模型的泛化能力。基于自主设计的CIRM模型，通过非支配排序遗传算法NSGA-Ⅱ确定了多力学性能目标下的最优工艺参数集（Pareto前沿），结合输出的Pareto前沿结果平衡屈服强度和延伸率指标。
图1. 技术路线所示的Pearson相关分析显示了工艺参数之间以及它们与力学性能之间的相关性。研究结果清晰地表明，任意两个工艺参数之间的相关系数均低于0.8，说明工艺参数之间并不存在明显的线性关系。
K-Means算法根据工艺参数的均值和标准差的相似性，将数据划分为不同的聚类，不同的聚类在工艺参数的均值和标准差上具有显着差异。因此，对不同聚类自适应使用不同的回归模型能够提高预测的精度。
为了展示聚类在提高最终力学性能预测结果准确性方面的优势，将直接采用三种不同的回归算法预测目标与使用聚类的算法预测目标进行对比。通过观察图4，可以明显看出，无论是在准确性还是在方差方面，CIRM都一致地优于其他三种算法。
图4. 四种模型分别在三种力学性能(UTS、YS和EL)数据集上的预测性能：（a）GPR；（b）SVR；（c）RF；（d）CIRM
基于CIRM-NSGA-II框架优化结果得到非支配数据点形成的帕累托前沿，提供了最优工艺参数的候选集，如图5所示。
图5. （a）在Pareto前沿曲线上评价最优工艺参数集；三种工艺参数下新合金在Pareto前沿的范围统计分布：（b）激光功率；（c）扫描速度；（d）扫描间距
基于上节中所得到的三种优化工艺参数组合进行了验证实验。图6(a-c)展示了基于优化后的工艺参数得出的S1、S2和S3样本的应力-应变曲线，展现了该工艺条件下出色的力学性能。通过与同种增材制造工艺、不同增材制造工艺、以及传统锻造比较，可以明显看出我们优化的工艺参数在力学性能上的优势，证明了采用CIRM-NSGA-Ⅱ模型进行工艺优化设计的有效性。
图6. （a）S1、（b）S2和（c）S3试样的应力-应变曲线试样的室温力学性能预测值与实测值的比较；（e）不同制造技术与工艺参数下Ti6Al4V合金的YS和EL比较
(责任编辑：admin)关键词: