美国国家科学基金会（NSF）资助里海大学研究员Parisa Khodabakhshi主持的创新项目，成功将基于物理的机器学习技术应用于3D打印工艺优化，为航空航天、汽车和医疗行业的高性能合金零部件制造开辟了新路径。

这项研究通过融合物理定律与机器学习算法，开发出计算高效的预测模型，精准解析增材制造工艺参数与凝固微观结构之间的映射关系。

里海大学机械工程与力学助理教授Parisa Khodabakhshi指出："增材制造虽然能实现传统方法难以完成的复杂几何结构，但工艺参数对零件热机械性能的影响使得优化设计异常困难。"

传统试错法由于无法全面探索设计空间，限制了增材制造潜力的充分发挥。而新开发的数据驱动降阶模型，通过科学机器学习框架将物理控制方程嵌入算法，确保了输出结果的可靠性。

该项目特别聚焦于工艺-结构（PS）关系建模，通过建立前向与反向映射，实现从性能需求到工艺参数的科学推导。

据悉，这项获得NSF三年35万美元资助的研究，将显著降低多尺度模拟的计算成本，为高端制造领域提供可靠的技术支撑。

研究人员强调，这种物理信息神经网络（PINN）方法与传统黑箱机器学习存在本质区别，其融合物理学原理的特性为工艺链优化提供了科学依据。

该技术突破预计将缩短产品开发周期，降低研发成本，为材料开发商和设备制造商构建新的技术壁垒。