增材制造17-4PH不銹鋼力學(xué)性能的數(shù)據(jù)驅(qū)動(dòng)建模

來(lái)源：長(zhǎng)三角G60激光聯(lián)盟

據(jù)悉，本研究通過(guò)開(kāi)發(fā)一個(gè)預(yù)測(cè)模型來(lái)檢驗(yàn)增材制造的金屬零件的微觀結(jié)構(gòu)和機(jī)械性能之間的聯(lián)系，該預(yù)測(cè)模型可以基于17-4PH不銹鋼的微觀結(jié)構(gòu)數(shù)據(jù)來(lái)估計(jì)諸如極限抗拉強(qiáng)度、屈服強(qiáng)度和斷裂伸長(zhǎng)率等性能。

本研究通過(guò)開(kāi)發(fā)一個(gè)預(yù)測(cè)模型來(lái)檢驗(yàn)增材制造的金屬零件的微觀結(jié)構(gòu)和機(jī)械性能之間的聯(lián)系，該預(yù)測(cè)模型可以基于17-4PH不銹鋼的微觀結(jié)構(gòu)數(shù)據(jù)來(lái)估計(jì)諸如極限抗拉強(qiáng)度、屈服強(qiáng)度和斷裂伸長(zhǎng)率等性能。所提出的方法的主要優(yōu)點(diǎn)是可推廣性。數(shù)據(jù)收集自AM制造的17-4 PH不銹鋼、內(nèi)部拉伸測(cè)試和成像以及AM公司進(jìn)行的測(cè)試的現(xiàn)有文獻(xiàn)。通過(guò)圖像處理對(duì)圖像尺寸和晶界提取進(jìn)行標(biāo)準(zhǔn)化后，提取了諸如晶粒尺寸分布和縱橫比等特征。通過(guò)使用人工神經(jīng)網(wǎng)絡(luò)，在晶粒尺寸和形狀特征以及相應(yīng)的機(jī)械性能之間建立了關(guān)系，隨后，預(yù)測(cè)了網(wǎng)絡(luò)之前未接觸到的新樣品的性能。

介紹
增材制造金屬零件的能力為各種行業(yè)帶來(lái)了重大變革的機(jī)會(huì)。從生產(chǎn)飛機(jī)零件到用于能源生產(chǎn)的渦輪葉片，金屬的增材制造有可能成為一種變革性的生產(chǎn)過(guò)程。它的優(yōu)點(diǎn)包括大大縮短了原型制作的前置時(shí)間，減少了材料浪費(fèi)，能夠構(gòu)建獨(dú)特和復(fù)雜的幾何結(jié)構(gòu)，以及減少了構(gòu)建完成后的組裝需求。鑒于不需要工具，以及能夠在沒(méi)有傳統(tǒng)工藝那么多固定制造成本的情況下小批量制造零件，金屬增材制造（AM）在許多情況下是小批量生產(chǎn)的最佳選擇。

本研究的目的是通過(guò)使用數(shù)據(jù)驅(qū)動(dòng)建模來(lái)預(yù)測(cè)AM制造的17-4PH不銹鋼零件的機(jī)械性能，建立一種降低成本的程序。在沒(méi)有預(yù)測(cè)建模的情況下，必須通過(guò)實(shí)驗(yàn)或使用生產(chǎn)AM系統(tǒng)的人員已經(jīng)開(kāi)發(fā)的參數(shù)來(lái)確定最佳甚至成功操作的工藝參數(shù)，這限制了快速實(shí)施AM和定制部件性能的潛力。通過(guò)使用本研究中概述的方法，可以減少在開(kāi)發(fā)額外制造的金屬零件時(shí)必須應(yīng)用試錯(cuò)策略的程度，以滿足所需的設(shè)計(jì)和性能規(guī)范。理想情況下，使用足夠先進(jìn)的預(yù)測(cè)工具，例如，可以基于工藝參數(shù)、微觀結(jié)構(gòu)和機(jī)械性能之間的已知關(guān)系，通過(guò)最少的實(shí)驗(yàn)來(lái)生產(chǎn)具有特定拉伸強(qiáng)度或延展性的零件。

晶粒生長(zhǎng)模型：采用三維元胞自動(dòng)機(jī)（CA）模型，利用中尺度晶核和晶粒生長(zhǎng)模擬所得熱歷史。考慮了外延和體成核。當(dāng)沿融合線的細(xì)胞溫度降至液相線溫度以下時(shí)，就會(huì)發(fā)生外延成核。在該細(xì)胞中形成與前一層中的相鄰細(xì)胞方向相同的細(xì)胞核。

之前報(bào)道的多尺度、多物理場(chǎng)建�？蚣苤型ㄟ^(guò)改變成核參數(shù)生成的每個(gè)模擬微觀結(jié)構(gòu)的 3D 表示。

子卷采樣：生成四個(gè)構(gòu)建域后，每個(gè)構(gòu)建域被劃分為六個(gè)感興趣的采樣層（見(jiàn)下圖），然后進(jìn)一步離散化為單獨(dú)的子卷，作為框架晶體可塑性建模部分的輸入。每個(gè)子卷都是（與構(gòu)建圖層的高度大致相同），體素大小為.每個(gè)體素化子體積都通過(guò)DREAM.3D傳遞，用于量化微觀結(jié)構(gòu)特征（詳見(jiàn)2.2.1）并為EVPFFT模型編寫(xiě)輸入。請(qǐng)注意，選擇如圖所示的TD-SD平面中的三層是為了研究AM域內(nèi)相對(duì)于構(gòu)建方向的變化。選擇SD-BD平面中的兩個(gè)采樣層，一個(gè)以激光掃描軌跡為中心，另一個(gè)位于兩個(gè)連續(xù)軌跡之間，以探索掃描線之間和沿掃描線可能出現(xiàn)的任何變化。

為每個(gè)域定義的采樣層和子體積的 3D 表示。圖（a）–（d）分別指域A–D。各個(gè)子卷用作用于訓(xùn)練和測(cè)試這項(xiàng)工作中數(shù)據(jù)驅(qū)動(dòng)模型的數(shù)據(jù)。對(duì)于域 A 和 D，TD-SD 平面中的中間采樣層被視為維持圖層，用于測(cè)試數(shù)據(jù)驅(qū)動(dòng)模型在預(yù)測(cè)相應(yīng)采樣圖層的整個(gè)屬性映射方面的性能。

這些方法的一些挑戰(zhàn)包括AM零件不同部分的工藝條件可能存在差異，以及需要解釋AM金屬零件中的缺陷，盡管已經(jīng)發(fā)表了許多關(guān)于這一特定主題的研究。作為模擬微觀結(jié)構(gòu)的替代方案，基于可觀察微觀結(jié)構(gòu)特征的預(yù)測(cè)允許降低生成機(jī)器學(xué)習(xí)模型的總體計(jì)算成本。

比較不同機(jī)器學(xué)習(xí)模型預(yù)測(cè)的構(gòu)建域 A 中指示的維持層的屬性圖（即橫向有效屈服強(qiáng)度）。

用于拉伸試驗(yàn)結(jié)果預(yù)測(cè)的機(jī)器學(xué)習(xí)（ML）方法已成功地應(yīng)用于其他增材制造材料，如塑料。各種創(chuàng)造性的方法已經(jīng)與機(jī)器學(xué)習(xí)模型的能力相結(jié)合，以預(yù)測(cè)或測(cè)量屬性數(shù)據(jù)。本研究采用模塊化方法進(jìn)行預(yù)測(cè)，并利用幾個(gè)不同的數(shù)據(jù)集得出每個(gè)失效周期的預(yù)測(cè)。

金屬打印的主要變體，定向能沉積（DED）或粉末床熔融（PBF）因原料類(lèi)型（粉末或金屬絲）和熱源而異，激光（L），電子束（EB），等離子�。≒A）或氣體金屬弧（GMA）。在計(jì)算機(jī)的幫助下，這些熱源的運(yùn)動(dòng)由零件的數(shù)字定義引導(dǎo)，從而以逐層的方式熔化金屬以構(gòu)建3D對(duì)象。然后，聚焦的激光或電子束選擇性地掃描表面，并將粉末顆粒熔化成每個(gè)連續(xù)層所需的形狀，直到打印出3D部件。通過(guò)使用非常小直徑的光束和微小的金屬顆粒，可以打印出具有精細(xì)且緊密間隔特征的復(fù)雜零件。在DED中，粉末或電線從構(gòu)建上方提供，而在PBF中，在每層熔合后添加薄薄的粉末層，通常比人的頭發(fā)還細(xì)。這些金屬打印工藝在熱源功率、掃描速度、沉積速率、構(gòu)建尺寸和其他重要屬性方面也有所不同。

三種金屬打印工藝的示意圖。

本研究側(cè)重于預(yù)測(cè)17-4PH不銹鋼的各種力學(xué)性能，具體而言，這是基于構(gòu)建樣品的顯微結(jié)構(gòu)圖像和AM零件拉伸試驗(yàn)獲得的數(shù)據(jù)進(jìn)行的。該模型采用人工神經(jīng)網(wǎng)絡(luò)形式的機(jī)器學(xué)習(xí)，而不是有限元模擬、導(dǎo)出的控制方程或機(jī)械模型。最后，本研究提出了各種力學(xué)性能屬性的預(yù)測(cè)，而不是只關(guān)注其中一個(gè)屬性，模型輸出包括極限抗拉強(qiáng)度、屈服強(qiáng)度和斷裂伸長(zhǎng)率的預(yù)測(cè)值。

實(shí)驗(yàn)、數(shù)據(jù)收集和預(yù)處理

數(shù)據(jù)/樣本采集
本研究中使用的一些數(shù)據(jù)是以微觀結(jié)構(gòu)圖像和這些樣品的相應(yīng)力學(xué)性能的形式從先前發(fā)表的文獻(xiàn)中收集的。收集了極限拉伸強(qiáng)度、屈服強(qiáng)度和斷裂應(yīng)變數(shù)據(jù)。如圖1所示，研究中使用的圖像旨在顯示許多晶粒，以便準(zhǔn)確地展示整個(gè)樣品的可概括微觀結(jié)構(gòu)特征。這些微觀結(jié)構(gòu)特征，如晶粒尺寸分布、晶粒取向和晶粒形狀，最終決定了樣品的機(jī)械性能。例如，一種這樣的關(guān)系是霍爾-佩奇效應(yīng)，它顯示了晶粒尺寸結(jié)果和屈服強(qiáng)度之間的相關(guān)性�；�于可用于人工神經(jīng)網(wǎng)絡(luò)的微觀結(jié)構(gòu)信息，它迭代地導(dǎo)出類(lèi)似關(guān)系，這些關(guān)系形成了預(yù)測(cè)微觀結(jié)構(gòu)特性的基礎(chǔ)。

圖1 所收集的說(shuō)明顆粒形態(tài)的顯微照片示例。

物理樣品制備

實(shí)物樣品來(lái)自兩家公司：Digital Metal和Innovative 3D Manufacturing。總共測(cè)試了23個(gè)樣品，其中8個(gè)來(lái)自Digital Metal，15個(gè)來(lái)自Innovative 3D Manufacturing。Digital Metal的樣品采用粘結(jié)劑噴射法構(gòu)建，并以平面方向構(gòu)建（見(jiàn)圖2）。Innovative 3D Manufacturing的樣品使用基于點(diǎn)加熱的AM工藝（Renishaw AM）構(gòu)建，五個(gè)樣品分別在平面、垂直和垂直方向構(gòu)建（見(jiàn)圖2）。

圖2 構(gòu)建方向示例。

在被測(cè)樣品的尺寸切片上選擇兩個(gè)區(qū)域來(lái)檢測(cè)微觀組織形態(tài):一個(gè)靠近夾持區(qū)，一個(gè)靠近斷口，如圖3所示。

圖3 拉伸試樣微觀結(jié)構(gòu)表征的斑點(diǎn)。

使用光學(xué)顯微鏡采集的圖像如圖4和圖5。這兩幅圖像分別代表數(shù)字金屬和創(chuàng)新3D制造的樣品。此外，作為公司內(nèi)部測(cè)試的結(jié)果，類(lèi)似地獲得了數(shù)字金屬共享的55幅圖像，該數(shù)據(jù)集的樣本圖像如圖6所示。

圖4 數(shù)字金屬蝕刻樣品圖像。

圖5 創(chuàng)新3D制造的蝕刻樣品圖像

圖6 Digital Metal提供的蝕刻樣品圖像。

拉伸試驗(yàn)實(shí)驗(yàn)
本研究中的樣品使用ASTM標(biāo)準(zhǔn)E8/E8M-16aϵ1進(jìn)行機(jī)械拉伸試驗(yàn)。根據(jù)ASTM標(biāo)準(zhǔn)E8/E8M-16aϵ1，使用United Test Systems 10kN通用試驗(yàn)機(jī)測(cè)試樣品。使用12.7 mm/min（0.5 inch/min）的應(yīng)變率。使用伸長(zhǎng)計(jì)跟蹤前3%的工程應(yīng)變，其余部分使用總握把位移和量規(guī)和握把截面的橫截面積的關(guān)系進(jìn)行計(jì)算。從拉伸測(cè)試系統(tǒng)的輸出中獲得每個(gè)測(cè)試樣品的工程應(yīng)力-應(yīng)變曲線，然后轉(zhuǎn)換為真實(shí)應(yīng)力-應(yīng)力曲線，以評(píng)估樣品的機(jī)械性能。斷裂應(yīng)變將用作本工程中延性的度量。機(jī)械性能提取示例如圖7所示。

圖7 從應(yīng)力-應(yīng)變曲線中提取力學(xué)性能。

機(jī)械性能的數(shù)據(jù)驅(qū)動(dòng)建模

晶粒形態(tài)特征提取

使用安裝了斐濟(jì)和MorphoLibJ插件的圖像處理軟件ImageJ對(duì)采集的圖像進(jìn)行處理。所有初始處理包括兩個(gè)主要步驟：獲得從像素轉(zhuǎn)換為微米的比例因子，以及獲得代表微觀結(jié)構(gòu)圖像中晶粒邊界的分水嶺線。圖像之間的處理參數(shù)變化很大，必須重復(fù)此過(guò)程才能獲得精確的晶界圖像。

對(duì)于非EBSD圖像，使用“查找最大值”工具進(jìn)行分割。該工具用于繪制特定區(qū)域的邊界，這些區(qū)域的亮度值與其周?chē)�環(huán)境相差很大，足以超過(guò)允許的噪聲容差。對(duì)于EBSD圖像，使用了與MorphoLibJ插件不同的工具。

如圖8所示，在對(duì)數(shù)標(biāo)度（即log（σy− σ0）vs.log（d）），屈服強(qiáng)度log（σy− σ0）隨著晶粒直徑log（d）的增加而線性減小。因此，如果按對(duì)數(shù)比例均勻選擇直方圖中的粒徑料倉(cāng)，則每個(gè)料倉(cāng)中由于霍爾-佩奇效應(yīng)導(dǎo)致的屈服強(qiáng)度的預(yù)期降低將相同。該策略用于選擇直方圖倉(cāng)。

圖8 對(duì)數(shù)尺度下的Hall–Petch曲線和所選的粒度箱。

在圖9中，通過(guò)對(duì)整個(gè)數(shù)據(jù)集中的顆粒進(jìn)行計(jì)數(shù)，顯示了顆粒尺寸直方圖。

圖9 整個(gè)數(shù)據(jù)集的直方圖示例。

在圖10中，比較了細(xì)長(zhǎng)晶粒和近圓形晶粒。如圖所示，這兩個(gè)圓形特征對(duì)這兩個(gè)晶粒表現(xiàn)出不同的值，因此提供了與晶粒尺寸直方圖互補(bǔ)的晶粒形狀信息。這些圓形特征與機(jī)械性能變化之間的相關(guān)性可以通過(guò)數(shù)據(jù)驅(qū)動(dòng)模型來(lái)學(xué)習(xí)�？偣�，將為每個(gè)微觀結(jié)構(gòu)圖像提取13個(gè)晶粒形態(tài)特征：晶粒落入11個(gè)晶粒直徑直方圖倉(cāng)的概率、圖像上所有晶粒的平均縱橫比以及平均周長(zhǎng)與直徑比。

圖10 圓形特征圖解。

機(jī)械性能預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)

基于一組預(yù)測(cè)特征（粒度、縱橫比等）構(gòu)建數(shù)據(jù)驅(qū)動(dòng)模型以預(yù)測(cè)目標(biāo)量（機(jī)械性能）從根本上講是一個(gè)回歸問(wèn)題，可以使用多種監(jiān)督機(jī)器學(xué)習(xí)模型來(lái)完成�？紤]到從文獻(xiàn)和拉伸試驗(yàn)中獲得的數(shù)據(jù)樣本數(shù)量有限，通過(guò)將“晶粒形態(tài)特征提取”部分中提取的每個(gè)晶粒邊界圖像劃分為一系列子圖像來(lái)擴(kuò)展數(shù)據(jù)集。在這項(xiàng)工作中，Levenberg–Marquardt算法被用于開(kāi)發(fā)訓(xùn)練函數(shù)。當(dāng)應(yīng)用于非線性預(yù)測(cè)問(wèn)題時(shí)，該算法很強(qiáng)，因此適合于此應(yīng)用。

在實(shí)驗(yàn)了當(dāng)隱藏節(jié)點(diǎn)的數(shù)量變化時(shí)UTS預(yù)測(cè)的性能之后，使用了具有55個(gè)節(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)在不過(guò)度擬合數(shù)據(jù)的情況下實(shí)現(xiàn)了合理的均方根誤差（RMSE）。在5到140個(gè)節(jié)點(diǎn)之間以5個(gè)節(jié)點(diǎn)的增量對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，當(dāng)使用Levenberg–Marquardt算法時(shí)，發(fā)現(xiàn)性能在大約45到90個(gè)節(jié)點(diǎn)之間穩(wěn)定，如圖11所示。最終，選擇了55個(gè)節(jié)點(diǎn)的值，因?yàn)樗�接近可靠一致的穩(wěn)定區(qū)域的下端。這意味著使用55個(gè)節(jié)點(diǎn)的值可以產(chǎn)生一致的結(jié)果，而不會(huì)有過(guò)度擬合模型和損害性能的潛在危險(xiǎn)。

圖11 使用5–140個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)性能。

結(jié)果和討論

利用選定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、提取的特征和測(cè)量的（或從文獻(xiàn)中提取的）力學(xué)性能，分別訓(xùn)練了極限抗拉強(qiáng)度（UTS）、屈服強(qiáng)度（YS）和斷裂應(yīng)變的三個(gè)預(yù)測(cè)模型。通過(guò)子圖像裁剪增強(qiáng)的數(shù)據(jù)集被分成訓(xùn)練集和驗(yàn)證集。為了防止數(shù)據(jù)泄漏，數(shù)據(jù)集被物理樣本分割，這意味著如果選擇了“物理樣本制備”部分中構(gòu)建的樣本進(jìn)行驗(yàn)證，則來(lái)自該物理樣本的所有子圖像數(shù)據(jù)點(diǎn)將被放入驗(yàn)證集。因此，訓(xùn)練模型將在訓(xùn)練例程從未見(jiàn)過(guò)的額外制造樣本的數(shù)據(jù)點(diǎn)上進(jìn)行驗(yàn)證。約60%物理樣本的數(shù)據(jù)點(diǎn)用于訓(xùn)練，其余40%樣本的數(shù)據(jù)用于驗(yàn)證。

經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)UTS的預(yù)測(cè)結(jié)果如圖11所示。從圖12中可以看出，基于子圖像預(yù)測(cè)的標(biāo)準(zhǔn)偏差形成的置信區(qū)間始終包含真實(shí)測(cè)量的UTS值（實(shí)心黑線），這提供了與UTS模型相關(guān)的不確定性的量化。值得注意的是，對(duì)于一些樣本，置信區(qū)間似乎很寬。這主要是因?yàn)檫@些樣品的微觀結(jié)構(gòu)不均勻，因此其裁剪的子圖像顯示出不同的晶粒形態(tài)，這使得子圖像預(yù)測(cè)分散。然而，子圖像的平均預(yù)測(cè)對(duì)局部變量不太敏感，因此始終接近真實(shí)UTS值。這就是為什么子圖像預(yù)測(cè)應(yīng)該被聚合以報(bào)告總體機(jī)械性能的原因。

圖12 極限抗拉強(qiáng)度的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。

UTS預(yù)測(cè)成功后，將相同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法應(yīng)用于屈服強(qiáng)度預(yù)測(cè)。如圖13所示，屈服強(qiáng)度預(yù)測(cè)的性能仍然相當(dāng)好，盡管與UTS預(yù)測(cè)相比略有下降。

圖13屈服強(qiáng)度的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。

最后，斷裂應(yīng)變的預(yù)測(cè)如圖14所示。斷裂應(yīng)變表示材料在拉伸應(yīng)力下斷裂的時(shí)間，從而測(cè)量材料的延性。斷裂應(yīng)變預(yù)測(cè)在訓(xùn)練集和驗(yàn)證集上都表現(xiàn)出良好的準(zhǔn)確性。

圖14 斷裂應(yīng)變的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。

雖然以上結(jié)果都是基于具有單個(gè)隱藏層的前饋神經(jīng)網(wǎng)絡(luò)，但有許多可用于預(yù)測(cè)回歸問(wèn)題的監(jiān)督機(jī)器學(xué)習(xí)技術(shù)�？梢钥闯觯�線性回歸模型的表現(xiàn)明顯不如其他機(jī)器學(xué)習(xí)模型，因?yàn)樗鼰o(wú)法捕捉輸入變量和最終材料特性之間的非線性。與神經(jīng)網(wǎng)絡(luò)相比，無(wú)論使用何種類(lèi)型的核，支持向量機(jī)（SVM）建模都是不成功的，這表明SVM建模不是適用于此應(yīng)用的策略。對(duì)于具有兩個(gè)或三個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，由于其隱藏節(jié)點(diǎn)的數(shù)量與基線模型大致相同，因此通過(guò)使網(wǎng)絡(luò)更深，其性能沒(méi)有明顯改善。因此，具有單個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)（即基線模型）因其結(jié)構(gòu)更簡(jiǎn)單而更可取。最后，隨機(jī)森林模型在準(zhǔn)確預(yù)測(cè)UTS方面也很強(qiáng)大，因?yàn)閾碛?00棵樹(shù)的隨機(jī)森林達(dá)到了與基線模型相同的RMSE水平。當(dāng)應(yīng)用于該數(shù)據(jù)集時(shí)，隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)策略都是成功的。鑒于當(dāng)前數(shù)據(jù)的性質(zhì)，隨機(jī)森林可能是一個(gè)適用的模型。也就是說(shuō)，在未來(lái)，隨著更多的變量之間的關(guān)系更加復(fù)雜，模型中可能會(huì)包含更全面的圖像數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)可能會(huì)被證明更具可擴(kuò)展性。

一個(gè)具有溫度梯度曲線的理想化 3D 熔池，用于生成 kMC 合成微觀結(jié)構(gòu)。

為SPPARKS動(dòng)力學(xué)蒙特卡羅（kMC）仿真套件創(chuàng)建了一個(gè)用戶子程序，以近似于AM處理期間局部熱源的多次傳遞。該改編利用改進(jìn)的波茨-蒙特卡羅法來(lái)模擬定向凝固過(guò)程中的晶粒生長(zhǎng)。立方晶格上的一組站點(diǎn)組成了模擬域，其中每個(gè)站點(diǎn)都被分配了一個(gè)“自旋”，以標(biāo)識(shí)其對(duì)該自旋標(biāo)識(shí)的特定粒度的成員資格。相似和不同自旋的物理排列定義了模擬的晶粒結(jié)構(gòu)和總能量。模擬時(shí)間以蒙特卡羅步長(zhǎng)（MCS）表示。一個(gè) MCS 對(duì)應(yīng)于在每個(gè)晶格站點(diǎn)的每個(gè)鄰居處嘗試的蒙特卡羅自旋翻轉(zhuǎn)。雖然很難定義與物理時(shí)間的確切關(guān)系，但它們是由一個(gè)常數(shù)因子相關(guān)的。局部熱源使用規(guī)定的模式通過(guò)域進(jìn)行柵格化。為了模擬熔化，當(dāng)一個(gè)位點(diǎn)位于熱源的“熔池”內(nèi)時(shí)，它的自旋是隨機(jī)的。再凝固和晶粒生長(zhǎng)發(fā)生在熔池周?chē)�的熱影響區(qū)（HAZ）中。細(xì)長(zhǎng)的晶粒沿最大熱梯度的方向生長(zhǎng)，并產(chǎn)生具有掃描策略歷史以及熱源固有尺寸和形狀的各向異性多晶微觀結(jié)構(gòu)。

結(jié)論
本文建立了基于微觀結(jié)構(gòu)屬性的數(shù)據(jù)驅(qū)動(dòng)模型，以預(yù)測(cè)通過(guò)增材制造構(gòu)建的17-4H不銹鋼材料的力學(xué)性能。預(yù)測(cè)基于三個(gè)來(lái)源的數(shù)據(jù)：內(nèi)部拉伸測(cè)試和成像、現(xiàn)有文獻(xiàn)以及增材制造公司Digital Metal和Innovative 3D manufacturing。通過(guò)利用從圖像中導(dǎo)出的晶粒尺寸和形狀特征，利用ANN導(dǎo)出所述特征與測(cè)試中觀察到的拉伸性能之間的關(guān)系。

a四個(gè)合成微觀結(jié)構(gòu)的正交視圖，每個(gè)通道的掃描方向都有指示，b對(duì)應(yīng)的模擬參數(shù)。

三種不同拉伸性能的結(jié)果令人鼓舞。對(duì)于極限抗拉強(qiáng)度，該模型能夠預(yù)測(cè)真實(shí)值的平均誤差為30MPa（平均真實(shí)UTS值的3.1%）。對(duì)于屈服強(qiáng)度，該預(yù)測(cè)平均在真實(shí)值的33MPa以內(nèi)（平均真實(shí)屈服強(qiáng)度值的4.5%）。最后，對(duì)于斷裂強(qiáng)度，與真實(shí)值（真實(shí)FS的11%大�。┫啾龋�預(yù)測(cè)值與平均伸長(zhǎng)率為0.7%的觀察值相匹配。此外，所有預(yù)測(cè)都在量化的置信區(qū)間內(nèi)。這些結(jié)果表明，所有建立的力學(xué)性能預(yù)測(cè)模型都具有實(shí)用的準(zhǔn)確性和可靠性。

這種方法的關(guān)鍵優(yōu)勢(shì)在于模型的可推廣性。通過(guò)在微觀結(jié)構(gòu)和性能之間形成聯(lián)系，可以概括零件制造中使用的工藝。因此，該方法可以結(jié)合由多種方法（AM和傳統(tǒng)方法）構(gòu)建的樣本數(shù)據(jù)，包括更廣泛的制造工藝甚至可以提高其預(yù)測(cè)的準(zhǔn)確性和可靠性。該程序還可適用于更廣泛的金屬，以獲得類(lèi)似的結(jié)果，或暴露于更多來(lái)源的數(shù)據(jù)，以提高預(yù)測(cè)能力。

來(lái)源：Data-Driven Modeling of Mechanical Properties for 17-4 PH Stainless Steel Built by Additive Manufacturing, Integrating Materials and Manufacturing Innovation, 10.1007/s40192-022-00261-8

參考文獻(xiàn)：Bailey TJ (2001) Prediction of mechanical properties in steel heat treatment process using neural networks. Ironmak Steelmak 28(1):15–22. https://doi.org/10.1179/irs.2001.28.1.15