从37次失败到每个功率十次成功：BEAM方法为NASA合金开辟低功率增材制造新路径

一群研究人员开发出一种叫BEAM的AI引导实验方法，在激光功率低到500瓦的情况下，给NASA的GRCop-42合金找到了靠谱的定向能量沉积（DED）工艺参数。
这套方法的全称是增材制造贝叶斯实验设计，思路其实不复杂，就是拿以前打印的成功和失败结果当底子，筛出几个有潜力的参数组合来试试。
参与研究的人员来自华盛顿州立大学和明尼苏达大学。
要知道，金属增材制造的工艺开发，参数组合动辄几百万种，靠试错法去一个个试，时间和钱都烧不起。

GRCop-42是NASA开发的一种铜铬铌合金，主要用来制造燃烧装置部件。
它的疲劳强度高，热导率高，抗蠕变性能也好，适合承受高热通量的部件。
但这种材料给激光加工添了不少麻烦：铜对传统光纤激光器发出的红外辐射吸收率不高，而且热量会迅速从加工区域导走。
所以GRCop-42很难打，往往需要非常高的激光功率和专用设备，资源和时间都烧不少。

后来他们换了个思路，让AI来帮忙筛参数。

具体做法是，让AI学习哪些参数设置可行、哪些不行。
AI筛出来的每一组参数，团队都会实际打印验证。
即使验证失败，结果也会变成新数据，回头继续训练模型。

BEAM跑的是一个自适应循环，先从前面的实验里学习哪些配置有戏，再筛出候选组合，每出一个新结果就把模型更新一遍。
这跟常规的贝叶斯优化不太一样：一般的做法是找最优解，BEAM的目标是找出多个可行的配置，同时用领域知识把那些不切实际的组合排除掉。
模型以机械与材料工程学院此前的37次失败实验作为初始数据，用了一种叫概率性五最近邻的方法。
项目负责人贾纳·多帕表示：「这个案例对AI来说相当棘手。
每次尝试只能得到一个成功或者失败的二元信号，所以要尽量减少尝试次数，尽快锁定可行的参数组合。」

实验使用了一套五轴粉末送进式DED系统，配有一台1000瓦光纤激光器，把GRCop-42沉积在Inconel 718基材上。
搜索范围里变化的是送粉速率、气体流量、Inconel厚度、扫描速度和层高，其他变量都保持不变。
BEAM分别在950瓦、700瓦、600瓦和500瓦的固定功率下做测试，每个功率级别先给了十次实验的预算。
结果每个功率级别都至少找到了一种可行的工艺配置，600瓦下找出了三种。
三个月里，团队共做了40次实验，最终确定了六组参数，可以用不同激光功率打印GRCop-42。
这也是GRCop-42第一次只用500瓦的功率就成功打印出来。
作为对比，之前靠人手动试，花了好几个月做了37次实验，全都没成功。

成功跑通的配置有个共同点，基本都用了高扫描速度搭配低层高，研究人员认为这是关键工艺洞察。
举个例子，700瓦功率下有一组可行参数是这么配的：送粉速率0.2 RPM，气体流量7升/分钟，扫描速度1600毫米/分钟，层高0.11毫米。
最低功率的成功配置出现在500瓦，用的是0.075 RPM的送粉速率，同样7升/分钟的气体流量，扫描速度降到250毫米/分钟，层高则放宽到0.3毫米。
失败的样品在沉积过程中会长出细长的柱状结构或者比较大的熔珠，而成功的工艺参数会先通过测试块验证，验证没问题了再去打印更大的圆柱形试样。
研究人员把用700瓦成功参数打印出来的圆柱体拿去机加工，切开后观察，内部实体组织致密，几乎没什么缺陷。
横截面上Inconel 718和GRCop-42之间的过渡也分布得很均匀。

整个实验活动为期三个月，把GRCop-42在500瓦到950瓦范围内的可行加工工艺都给确定下来了。
这对低功率DED系统来说是个好消息，等于拓宽了应用渠道。
大学、企业和小型实验室也更容易用上这种材料，能耗会更低。
那些笨重、昂贵又专用的设备，可能不再是硬性门槛。
需要说明的是，这项研究并没有给这些零件做航空航天服役资格认证。
团队计划下一步把这套方法推广到更多的合金和成分体系里去。

其实以前的研究就证实过GRCop-42可以用传统的红外激光系统来加工，但铜的高反射率和导热性一直卡着可用工艺窗口。
2025年的时候，奥本大学NCAME中心报告说，GRCop-42已经在EOS M290系统上使用标准红外光纤激光器成功打印过了，同时Nikon SLM Solutions也为这种合金开发的LPBF参数做到了99.97%的致密度。
工艺条件对GRCop-42和其他合金搭配使用时的表现也有影响。
今年早些时候，诺丁汉大学的研究人员研究GRCop-42和Inconel 718的多材料LPBF时发现，把IN718沉积到GRCop-42上会产生熔合不足缺陷，原因就是铜合金散热太快。
反过来沉积就能躲开这些缺陷，不过界面处还是会有合金混合。

这篇BEAM研究把工艺开发问题延伸到了DED领域，靠AI引导的实验方法把GRCop-42的可行工艺条件压低到了500瓦。
研究发表在第四十届AAAI人工智能大会上，参与的有Azza Fadhel、Nathaniel W. Zuckschwerdt、Aryan Deshwal、Susmita Bose、Amit Bandyopadhyay和Jana Doppa。
核心目标很简单，就是减少建立可行金属增材制造工艺窗口需要的时间和资源。
表面上看只是换了个试参数的方式，背后其实是AI开始改变增材制造的工作流程。