復雜高強度金屬晶格結構激光增材制造的工藝-結構-性能多目標逆向優(yōu)化

來源： 增材制造碩博聯(lián)盟

增材制造（AM）已成為制造輕質高強度金屬晶格結構的實用解決方案。工藝-結構參數(shù)的逆向優(yōu)化以實現(xiàn)高性能和最小化試錯實驗提出了持續(xù)的挑戰(zhàn)。南京航空航天大學顧冬冬教授團隊在國際頂級期刊《Virtual and Physical Prototyping》上發(fā)表了使用物理增強數(shù)據(jù)驅動方法進行晶格結構增材制造的工藝-結構多目標逆向優(yōu)化的最新研究成果。

研究提出了一種逆向優(yōu)化方法來應對多個相互沖突的性能目標，包括增材制造約束下的機械性能和輕量化程度。為了追求更高的精度，開發(fā)了一種物理增強的數(shù)據(jù)驅動算法，即編碼-剛度分析多任務高斯過程回歸（encoding-stiffness-analysis multi-task Gaussian process regression, emGPR)），以精確分析工藝結構參數(shù)如何影響增材制造晶格結構的特性。關注公眾號: 增材制造碩博聯(lián)盟，免費獲取海量增材資料，聚焦增材制造研究與工程應用！

圖1. emGPR-mGA 激光增材制造逆優(yōu)化方法流程圖（encoding-stiffness-analysis multi-task Gaussian process regression, emGPR; multi-objective genetic algorithm, mGA)

作為一種新興的增材制造機器學習方法，物理增強數(shù)據(jù)驅動算法由于物理信息提供的可解釋性而表現(xiàn)出強大的擬合能力和外推性能。它已被用作多目標遺傳算法中的代理模型，有助于參數(shù)的有效設計和目標空間的擴展。值得注意的是，預測結果與實驗結果之間的偏差小于15%，有力地證實了該方法的可靠性。物理洞察力和數(shù)據(jù)驅動建模的融合為加速高效設計的開發(fā)帶來了巨大的希望。

圖2. 晶格結構的設計與激光增材制造成形

圖3. (a)壓縮曲線特征提取示意圖；(b) NSGA-II算法示意圖；(c) MBB 梁的多尺度拓撲優(yōu)化

圖4. (a)表征收斂性的SA算法的全局適應度曲線；(b) SA算法迭代過程中的局部適應度；(c)通過SA算法提取壓縮曲線特征

該研究利用物理增強數(shù)據(jù)驅動算法將LPBF形成的BCC晶格結構的機械性能與其結構和工藝參數(shù)相關聯(lián)。這項工作提出了編碼剛度分析多任務高斯過程回歸（emGPR）算法，該算法使用基于物理的均質化理論來提高外推性能。將emGPR作為代理模型引入多目標遺傳算法（mGA）中，實現(xiàn)晶格結構輕量化和力學性能的逆優(yōu)化。形成的實驗結果表明，emGPR-mGA方法有效優(yōu)化了多目標力學性能。這項工作的結果可總結如下：

（1）SA壓縮曲線特征提取算法有效捕捉了壓縮過程的彈性階段，構建了低噪聲、高質量的數(shù)據(jù)集。
（2）與bsGPR相比，emGPR由于其物理先驗（均質化理論）和貝葉斯框架下的多任務協(xié)方差矩陣，表現(xiàn)出更好的抗噪聲能力和更強的泛化能力（訓練集K折交叉驗證的MSE來源小于0.004，測試集的R2最高可達0.985）。此外，emGPR具有更強的外推性能，可以通過置信區(qū)間分析獲得，受益于物理信息提供的可解釋性。
（3）emGPR-mGA方法可以有效實現(xiàn)LPBF晶格結構和工藝參數(shù)的逆優(yōu)化，將多目標空間超體積增加3.2倍。此外，該方法還揭示了一個有趣的現(xiàn)象：LPBF形成的小泡孔結構，盡管由于粉末粘附而導致結構重量偏差較大，但在相同輕量化程度下，與大泡孔結構相比，具有更好的機械性能。
（4）emGPR-mGA逆優(yōu)化方法可以輕松擴展到其他工藝結構設計系統(tǒng)，將與主動學習相結合，自動指導結構設計和LPBF參數(shù)選擇。這將顯著減少迭代周期和實驗成本，為未來LPBF工藝約束下復雜金屬晶格結構的逆向設計鋪平道路。