机器学习单模型预测WAAM铝合金四项力学性能，30次构建验证工艺窗口

一条圆形工具路径，30次电弧增材制造构建，最后被压缩进一个机器学习模型里。这项研究论文发表在《科学报告》。

研究团队来自沙特阿拉伯费萨尔国王大学、印度马哈林加姆工程技术学院和共生技术研究所。

电弧增材制造（WAAM）是大型结构件金属增材制造的重要方法，沉积速度快、材料利用效率高、机器人配置灵活。

不过，铝合金零件的质量很大程度上取决于工艺参数设置。

这次，他们把目光放在了沿圆形工具路径沉积的ER5356铝合金上。

团队构建了一个机器学习框架，想用单一模型预测WAAM零件的抗拉强度、延伸率、弯曲强度和硬度。

按推荐参数打印出来的零件，与模型预测结果比较接近。

实验墙体在集成ABB IRB 1520ID机械臂的Fronius iWave 500i交流/直流焊接单元上打印。

ABB是工业机器人厂商，Fronius是焊接设备厂商。

该装置以冷金属过渡（CMT）模式运行，可降低热输入、飞溅和熔滴不稳定性。

圆形路径保持固定，所以这项研究要调整的是工艺参数，并不比较不同工具路径。

团队改变了四个设置。

送丝速度从7.5至9.5 m/min，行走速度从6至10 mm/s。

层间温度从80至160°C，保护气体流量从12至18 L/min。

田口L27试验设计加三次中心点运行，一共形成30次构建。

每一次构建都测试抗拉强度、三点弯曲和维氏硬度。

抗拉强度范围为243.60至289.70 MPa，延伸率为22.83%至35.72%。

中心点设置表现最佳。

参数是送丝速度8.5 m/min、行走速度8 mm/s、层间温度120°C、气体流量15 L/min。

最佳运行达到289.70 MPa抗拉强度、35.72%延伸率。

弯曲强度为391.21 MPa，硬度为70.72 HV。

三次中心点运行的抗拉强度差异小于1.5 MPa。

团队随后把四个设置转化为沉积强度、热量积累、冷却烈度和保护充分性等描述符。

这些描述符被输入一个名为PG-MOSR的堆叠机器学习模型。

在五折交叉验证中，它的R²值分别是抗拉强度0.7799、延伸率0.8299、弯曲强度0.8142、硬度0.8599。

XGBoost基准在抗拉强度上表现相当，但在其他三项性能上得分较低，硬度降至0.573。

送丝速度对抗拉强度和弯曲强度预测贡献最大，层间温度对延伸率贡献最大。

但作者表示，这些排序反映的是统计关联，而非物理因果关系。

这里有个反常识的地方。

仅使用四个原始设置训练的版本，在全部四项性能上表现更好，R²值为0.8779至0.8885。

既然这样，物理描述符还有意义吗？

作者的解释很克制，研究人员主要把物理引导描述符视为解释辅助，而非额外精度来源。

在筛选50,000种参数组合后，优化器预测抗拉强度295.20 MPa、延伸率40.10%。

它还预测弯曲强度397.80 MPa和硬度71.80 HV。

抗拉强度和延伸率数值高于原始运行的最佳结果。

确认构建测得288.90 MPa、38.25%、385.60 MPa和70.95 HV。

与预测值相差1.18%至4.61%。

预测的强度提升并未出现，但延伸率比此前最佳运行高2.53个百分点。

断口表面显示韧性失效并伴有聚集气孔。

研究人员称，这可能解释为何抗拉强度和弯曲强度略低于预测。

他们指出，一次确认构建无法确立可重复性，且模型在未经进一步验证前不应应用于测试参数范围之外。

疲劳、腐蚀、残余应力和孔隙率未纳入优化。

未来工作可能包括基于计算机断层扫描（CT）的孔隙率测量、原位热监测和更大数据集。

作者指出，此前大多数关于WAAM的机器学习工作主要建模焊道几何、表面粗糙度或单一响应。

很少有研究像本研究这样，针对圆形路径ER5356沉积层用30次构建同时预测多项力学性能。

在韩国科学技术院（KAIST）和浦项工科大学（POSTECH），一个主动学习框架预测抗拉强度和延伸率。

它用于为Ti-6Al-4V钛合金选择激光粉末床熔融（LPBF）设置和热处理。

经过五轮打印、测试和再训练，达到1190 MPa和16.5%。

该框架也将强度与延性预测同打印验证相结合。

相比之下，这项WAAM研究仅进行了一次确认构建。

浦项工科大学和韩国材料科学研究所（KIMS）的框架，根据工艺、微观结构和空洞数据预测强度。

对象是LPBF Al-Si-Mg铝合金零件。

该框架在44个完全标注和111个部分标注数据点上训练，可生成人类可读方程。

结果与实测值相差在9.51 MPa以内。

与这项WAAM工作一样，它使用小数据集和可解释输出处理铝材。

但其部分微观结构输入在生产中并非总能获得。

每项工作都利用机器学习减少物理测试。

这项WAAM研究将其应用于电弧基工艺中的四项力学性能。

对制造现场来说，少做几次物理测试当然有吸引力，可材料性能这件事，没人敢只看预测值。

金属增材制造有点像老匠人打铁，送丝、层间温度、气体流量这些手感，过去靠经验传。

机器学习想把这些手感变成可复现的参数语言，但语言学得再像，最后还得回到炉火前，用断口和重复构建验证。

回到这项研究，它最值得看的地方，不是R²分数有多漂亮，而是它把能做什么、不能做什么说清楚了。

数字不算炸裂，甚至有点保守。

可这种保守，反而比一个过度乐观的模型更像工业界需要的东西。

这项研究题为《可解释物理引导多输出学习用于优化圆形路径冷金属过渡电弧增材制造ER5356铝合金》。

作者包括赛义德·奎迪尔·莫伊努丁、吉迪恩·加内什·穆鲁甘、哈里哈拉萨克蒂苏丹·蓬纳伦甘、维什瓦纳特·纳加拉帕蒂、穆罕默德·法西乌拉·汗和穆罕默德·伊夫蒂哈尔·法拉兹。