以下文章来源于中国工程院院刊 ，作者《Engineering》

得益于规模庞大的数据集、计算能力的提高和计算模型的优化改善，神经网络算法已成为机器学习算法中使用最广泛的模型。当前一个明显的趋势是，神经网络算法的经验成果正在向传统制造领域进行迁移，并对制造行业的产品设计、制造、质检到交付等价值链环节，产生了深远而广泛的影响。

中国工程院院刊《Engineering》刊发《将基于神经网络的机器学习方法应用于增材制造——应用现状、当前挑战和未来前景》，综述了神经网络算法在增材制造全链条中的模型设计、实时监测、质量评价等方面的应用进展。文章介绍了增材制造技术和神经网络算法的发展情况，概述了当前将神经网络应用于增材制造所遇到的挑战以及针对这些问题的可能解决方案，并讨论了未来趋势以对这一跨学科领域进行探讨。

欧洲5G工业园

引言

相对于传统的减材制造技术，增材制造（AM）是现代工业范式中一种前景广阔的数字化加工方法，其已引起全世界的广泛关注。

AM通过三维（3D）计算机辅助设计（CAD）模型逐层构造物体，拥有以下优势：

1. 它能创造具有复杂形状的产品，如拓扑优化结构，该结构难以用传统铸造或锻造工艺制得；
2. 可以用它来产生新的材料特性，如位错网络，这一点对学术研究人员非常有吸引力；
3. 它能减少材料浪费，节省工业成本。

然而，AM部件也存在许多独有的缺陷，这些缺陷与铸造和锻造部件中出现的缺陷不同，例如由于未熔合和气体捕获导致的孔隙率、在相对于打印方向的垂直和平行方向上严重的各向异性微观结构，以及由高冷却速率和大温度梯度引起残余应力过大而导致的畸变。因此，研究者们必须更好地理解粉末冶金参数、打印工艺以及AM部件的微观结构和机械性能之间的复杂关系。

整个AM流程总是涉及许多可以决定最终产品性能的基本参数。例如，在选择性激光熔化（SLM）中，激光功率、扫描速度、扫描间距和层厚等加工参数都能显著影响所制造的部件质量。但是，这些参数与最终质量之间的关系过于复杂而难以为人们所理解，因为SLM是一个多物理、多尺度过程，包括微观尺度下粉末-激光相互作用、介观尺度下熔池动力学和柱状晶生长，以及宏观尺度下热力耦合。为了能以更清晰、更准确的方式对这种关系进行描述，研究人员已尝试建立各种物理模型。例如，Acharya等提出了计算流体动力学（CFD）和相场模型，以模拟激光粉末床融合（PBF）过程中沉积态的晶粒结构演化。Fergani等提出了一种解析模型，用以评估金属材料AM过程中的残余应力。此外，Chen等采用有限元模型来研究熔池形状和焊缝形状。可以看出，上述各个模拟方法从粉末尺度到部件尺度都不相同，并且由于缺乏对AM的深入理解，这些模拟研究只能集中于整个制造过程的一个或两个方面。

目前，通过这些物理驱动的方法不可能在短时间内快速准确地预测整个AM过程。除了上述物理驱动模型外，数据驱动的模型也已广泛应用于AM领域，这些模型统一称为机器学习算法（ML）。这种模型的压倒性优势在于其不需要构建一系列基于物理过程的方程。取而代之的是，它们会根据以前的数据自动学习输入特征和输出目标之间的关系。在机器学习方法中，神经网络（NN）算法最为广泛使用，并且由于当前大量可用的数据和计算资源，以及其先进的算法结构，该算法目前正在快速发展。例如，NN是计算机视觉、语音识别、自然语言处理和自动驾驶等领域的主要驱动力。NN在识别上述任务中潜在的复杂模式方面表现出了它的强大优势，其中大部分模式曾被认为只有人类有可能分辨出来。此外，一个明显的趋势是，在这些领域中利用NN的经验成果正在向传统的制造领域（包括AM）进行迁移。NN对制造行业中的整个价值链创新，从产品设计、制造、质检到交付等，都产生了深远而广泛的影响，并且其带来的影响将越来越强烈。

本文概述了研究人员将NN算法应用于AM的最新进展。文章组织结构如下：第2部分简要介绍了AM技术和NN算法；第3部分总结了NN在AM中的详细应用；第4部分概述了当前应用过程中的挑战和可能的解决方案；第5部分描述了该交叉领域的未来趋势。

方法

 AM技术

AM是一个相对于传统减材制造[即铸造、锻造和计算机数控（CNC）]的概念术语，其根据不同的打印技术可进一步分为多种类别。其中，粉末床熔融成型（PBF）、黏合剂喷射（BJ）和材料挤出成型（ME）是3种广泛使用的技术。PBF使用热源烧结或熔化金属（或塑料）粉末来逐层构建部件。根据不同的应用场景，PBF可进一步分为选区激光烧结（SLS）、选区激光熔化（SLM）、电子束熔化（EBM）等。SLS和SLM都使用激光作为热源，但是，SLM工艺中材料完全熔化，而SLS中材料进行烧结。与基于激光的技术相比，EBM的热源是电子束，其具有残余应力小、氧化不严重等优点。BJ工艺使用两种材料：粉末材料和黏合剂，黏合剂选择性地沉积在粉末床的区域上，并将这些区域黏合在一起，一次形成一层固体部分。熔融沉积成型（FDM）是一种ME技术。在打印过程中，由于熔融材料在挤出后立即硬化，材料从FDM打印机的喷嘴挤出后将分层构筑。可以看到，现在已有各种各样的AM技术，并且这些技术产生不同种类的数据类型。如何以统一格式组织这些数据，并将数据流集成到后续ML算法中是一项具有挑战性的任务。

 NN算法

NN是一种监督式的机器学习方法，与之相对的是无监督学习。区分这两种模式最简单的方法是检查它们所作用的数据集是否有标记。换言之，在NN算法中，数据被标记是指模型已被告知输入的“答案”。监督式学习适用于AM，因为该种制造技术总是有明确的目标和验证方法。

NN具有很强的评估拟合能力，它可以表示输入和输出特征之间复杂的、高度非线性的关系，并且研究表明，只有一个隐层但有足够的神经元的网络就可以表达任意函数。NN的体系结构由3种类型的层组成，分别为输入层、隐藏层和输出层。每一层都由节点或神经元组成，这借鉴了神经科学的观点。

NN中的参数或系数称为权重，表示相邻层中神经元之间的连接程度。通过迭代训练NN来确定权重值，以便最小化预测和实际输出之间的损失函数。在这种过程中，最著名、最广泛使用的更新权重的方法称为反向传播，它使用数学链式法则迭代计算每层的梯度。一旦训练可以实现，NN将有能力根据先前未见的输入推断出输出。研究人员在其发展的几十年中已经提出了许多种特定的NN。

以下3类NN的价值已得到证明，并广受欢迎。

• 多层感知器（MLP）是最典型的NN，其常见的数学运算是线性求和以及非线性激励（如sigmoid函数）。其广泛应用于处理表格类型的数据。
• 卷积神经网络（CNN）主要用于图像处理，它可考虑图像像素之间的空间关系，该网络以数学中的“卷积”运算而得名。
• 递归神经网络（RNN）在处理时间动态数据中起着关键作用，因为它在一层中的节点之间建立连接。最著名的RNN是长短期记忆网络（LSTM），在后文中可以看出其能准确再现有限元模拟。

应用

AM是一个包含许多方面的价值链条，包括模型设计、材料选择、制造和质量评估。此部分主要介绍NN在AM以下部分中的应用：设计、实时监测和工艺-性能-使役性能的联系。

 AM 设计

AM设计（DfAM）是为了建立AM部件的CAD模型，这是整个工艺链条的第一步也是至关重要的一步。然而，由于加工结果中变形引入的残余应力，CAD模型和打印部件之间总是存在几何偏差。因此，通常选择补偿方法以获得具有高精度的AM部件。

Chowdhury和Anand提出了一种NN算法来直接补偿部件的几何设计，这有助于抵消制造过程中的热收缩和变形。整个过程如下：①准备所需部件的CAD模型，提取其表面3D坐标作为NN模型的输入。②使用热力耦合的有限元分析软件（如ANSYS或ABAQUS），然后定义一组过程参数来模拟AM过程。提取变形表面坐标作为NN模型的输出。③训练一个具有14个神经元和损失函数为均方误差（MSE）的NN模型来学习输入和输出之间的差异。④将训练好的网络应用于STL文件，从而进行所需的几何校正，这样就可以使用修改过的几何形状来制造部件，从而得到尺寸精确的成品。

Koeppe等提出了一个结合实验、有限元方法（FEM）模拟和NN的框架，如图1所示。首先，他们进行了实际实验来验证有限元方法模拟。接下来，使用有限元方法运行85个模拟样本，模拟参数是全局负载、位移和支柱半径以及单元尺寸的不同组合。这些是NN的输入特征，而输出特征是最大的Von Mises等效应力和等效主应力。NN的架构为：一个具有1024个整流线性神经元的全连接层、两个分别具有1024个神经元的长短期记忆网络，以及一个全连接的线性输出层。这里需要注意的是，选择长短期记忆网络是因为它在处理时间序列事件上表现出色。在训练之后，NN可以很好地重现加载历史，与有限元方法模拟结果相吻合。从这一点出发，NN可以替代传统的、运行速度较低的数值模拟方法。

图1 应用NN模型预测AM结构的变形。（a）在受控加载条件下制造和测试的样本；（b）有限元模拟结果，其已经过实验验证；（c）NN模型，其通过由FEM生成的数据进行训练，然后以比FEM更快的方式预测变形历史。FC：全连接层。经Elsevier许可转载自参考文献，©2018

与上述两种将NN应用于AM设计的情况不同，McComb等试图建立一个自编码器（一种从输入中学习然后尝试高精度地重建输入的NN）来学习部件设计的低维表示。除了这种自编码器之外，还训练其他3个网络以确定几何形状设计和其他3个AM设计属性（即部件质量、支撑材料质量和构建时间）之间的关系。通过这种方式，可以利用这4个NN的组合来评估为AM设计的部件的属性。将机器学习应用于AM设计的另一个有趣的实例与3D打印过程的安全评估有关。Li等训练CNN检测和识别通过AM制造的非法组件（如枪支）。当CNN构建完善后，将它整合到打印机中以便能在早期检测相关枪支的打印，从而及时终止制造过程。对应于原始3D模型的投影结果，作者收集了61 340个二维（2D）图像的数据集，包括枪支和其他非枪支对象。整个CNN模型由两个卷积层、两个池化层和一个全连接层组成。根据实验结果，分类错误率可降至1.84%。

 实时监测

实时监测从多个传感器获取数据，其提供了AM过程中产品质量的第一手信息。如果可以同步且准确地分析这些实时数据，那么就能实现对制造过程的全闭环控制。数据源分为3种类型，包括一维（1D）数据（如光谱）、2D数据（如图像）和3D数据（如层析成像）。每种数据类型都有其优缺点。例如，处理1D数据的速度较快且其硬件相对便宜。但是，其可提供的信息比其他类型少。这里将使用两个实例来演示如何使用这些不同类型的信号数据。Shevchik等介绍了一项使用声发射（AE）和NN对SLM进行现场质量监测的研究，如图2所示。使用布拉格光纤光栅传感器记录AE信号，而选择的NN算法是波谱卷积神经网络（SCNN），它是对传统CNN的延伸。模型的输入特征是小波包变换的窄频带的相对能量。输出特征是对打印层的质量为高、中或差的分类。据报道，使用SCNN对工件质量为高、中、差的分类精度分别高达83%、85%和89%。

图2 AM质量监测和分析系统的方案。工作流程如下：在AM过程中发出声信号，然后由传感器捕获。最终将SCNN模型应用于所记录的数据，以便判定打印层的质量是否合适。经Elsevier许可转载自参考文献，©2018

最近，Zhang等构建了一个带有高速摄像头的视觉系统，用于过程图像采集。该系统可以检测3个对象的信息，包括熔池、羽流和飞溅，如图3所示。这些对象的特征是根据作者对工艺的物理机制的理解而仔细提取的，以便将它们纳入传统的机器学习算法。然而，作者强调CNN模型不需要这个特征提取步骤，同时它在质量水平识别中仍然具有92.7%的高精度。目前普遍的共识是，CNN具有在工业应用中实现实时监控的巨大潜力。上述案例主要集中在对AM过程的原位监测。然而，NN模型的质量结果不能反过来影响实际制造。相反，以下情况通过无缝集成基于视觉的技术和NN技术来用于液态金属喷墨打印（LMJP），实现了该过程的闭环控制。首先，Wang等开发了一个带有电荷耦合器件（CCD）相机的视觉系统，用于捕获包含各种液滴图案的喷墨图像。其次，为了建立电压等级和液滴特征之间的复杂关系，他们构建了NN模型。因此，通过NN模型，可以将实时喷墨行为和理想行为（其中输入信号的每个脉冲仅产生具有足够体积且其后没有随体的单个液滴）转换成精确的电压值。最后，使用比例积分微分（PID）控制技术来比较这些数值，从而相应地调节驱动电压并稳定打印过程。

图3 SLM过程监控配置的方案。高速摄影机用于捕获构建过程的连续图像，CNN模型用于识别质量异常。ROI：感兴趣区域。经Elsevier许可转载自参考文献，©2018

 工艺-性能-使役性能的联系

从技术和经济上的观点来看，过程参数的选择对优化AM性能是必需的。在工艺、性能和使役性能之间建立直接联系是科学家和工程师非常感兴趣的。这种联系通常是高度非线性的，因为输入变量的数量通常大于3个。因此，很难确定这种联系的基础数学公式。由于NN模型固有的非线性特性，它已被应用于为各种AM过程建立这些数学关系。表1总结了NN在AM中的应用（实际上，NN在这里称为MLP，因为所有数据集都是表格类型），并列出了作为输入的工艺参数值和作为输出的性能/使役性能。从表1中可以看出，不同的AM技术应该选择不同的输入特征，因为确定AM部件的关键因素是不同的。此外，由于大量参数会对最终成品产生影响，所以确定选择哪些参数需要深入了解AM过程。

表1 NN应用程序，用于构建过程-性质-性能联系

SL: stereolithography; LMD: laser metal deposition; WAAM: wire and arc additive manufacturing

NN算法的详细设置总结在表2中。确定NN结构的典型超参数通常由4部分组成：隐藏层数目、单层中神经元数量、激活函数和损失函数。

表2 有关NN算法的详细信息

MAE: mean absolute error; RMSE: root mean square error; SSE: sum square error

（1）隐藏层数目。在表2的“Layer/neuron”列中，“5-8-1”表示该NN结构包含3层：输入层有5个神经元，唯一的隐藏层有8个神经元，输出层有一个神经元。从表中可以看出，一个隐藏层足以应对大多数AM问题。

（2）单层神经元数量。输入层和输出层的神经元数由问题本身决定。然而，需要仔细选择唯一隐藏层的神经元数量，因为它与ML中的欠拟合和过拟合问题直接相关。根据表2，我们建议至少以5~10个神经元作为隐藏层神经元的最佳数量。

（3）激活函数。激活函数是输入信号的非线性变换，它决定是否应该激活神经元。这对NN至关重要，因为没有激活函数的网络只是一个线性回归模型，无法处理复杂的任务。一些流行的激活函数类型如下：

在实际应用过程中，sigmoid和tanh函数的任一侧以及ReLU函数负轴的梯度将会很小，甚至趋于零，因此，在学习期间权重无法得到更新调节。这种情况就是典型的梯度消失问题。使用Max-min归一化技术将输入特征的范围变更为(0, 1)，其可以有效地避免这个问题。如有必要，还可使用批标准化技术，以便继续细化每一层的输入信号。

（4）损失函数。损失函数应由确切的问题确定，并且通常带有实际的解释。例如，均方根误差（RMSE）和平均绝对误差（MAE）都是评估预测值和目标值两个向量之间距离的方法。其表达方式如下：

式中，i 是样本索引；yi 是预测值；yt 是目标值。它们之间存在一些小的变化：计算RMSE对应于L2范数（即欧几里德范数），这是最常见的欧式距离；计算MAE对应于L1范数（即曼哈顿范数），其测量从原点到目标的矩形网格中的距离。一般来说，Lp规范由下式表示：

式中，p是范数指数。p值越大，则它对较大的值越敏感。例如，由于L2范数使误差平方，因此模型将产生比L1范数大得多的误差。如果这种情况是一个异常值，L2范数将更加关注这个单一的异常情况，因为许多其他常见情况的误差较小。换句话说，如果考虑每个异常值都很重要的话，RMSE方法是更好的选择。反之则MAE适用于可以安全有效地忽略异常值的情形。应当注意的是，在某些特殊情况下，可能有必要考虑自定义设计损失函数。

挑战和可能的解决方案

 小数据集

由于NN方法是数据驱动的，因此其性能与可访问数据量直接相关。一些领域已经建立了自己的大型数据集用于训练，如用于图像识别的ImageNet，用于光学字符识别的MNIST，用于自然语言处理的SQuAD和用于视频分类的YouTube-8M。大型数据集的存在使得NN在这些领域中展现出了巨大的力量。相比之下，AM没有庞大的数据集，因为收集训练数据总是很昂贵的。此外，出于经济方面的考虑限制了相关方创建自己的开源数据集。由于这种困境，建立AM工艺的小数据集至关重要。事实上，某些称为生成模型的方法可以实现数据增强，以便人为地扩大数据集。例如，自编码器是一种代表性技术，能够随机生成看起来与训练数据非常相似的新数据。其使用编码器将输入转换为内部表示，然后使用解码器生成与基于此表示的输入类似的新输出。一种基于基本的自编码器的著名扩展称为变分自编码器（VAE）。它将输入转换为具有平均值μ 和标准偏差σ 的高斯分布；当解码器从该概率分布中采样点时，生成新的输入数据。其他生成模型，如生成对抗网络（GAN）和对抗性自编码器（AAE、AE和GAN的组合），也可以提供数据增强的方法。

 缺乏标记数据的经验

如前所述，大多数NN用例都是监督学习，需要输出作为学习目标。但是，有时标记数据非常困难。例如，如何将图3中的不同物体分别精确地标记为熔池、羽流或飞溅？图3的作者认为，许多飞溅在形状、尺寸和灰度值方面具有与熔池相似的特征。换句话说，这些判断很大程度上依赖于分析人员对焊接过程的深入了解。这种依赖性将极大地阻碍NN在AM领域的发展。这意味着NN在AM领域的大规模应用需要计算机科学家和材料科学家之间进行深入合作。

 缺乏选择合适特征的知识

许多工艺参数可能严重影响AM部件的属性，而其他参数可能影响较小。同时，对于有限的数据集，过多的输入特征极易导致模型过拟合。因此，确保NN算法在一组良好的特征上运行至关重要。对输入数据进行“特征工程”的预处理可以为研究带来好处，它可以分为两个方面：

① 特征选择——旨在从现有特征中选择最有用的特征作为输入。例如，人们可以选择“道间距”“激光功率”和“粉末层厚”作为影响部件性质的最重要因素。在这种情况下，选择原则依赖于研究人员对AM的经验和了解，即对AM过程的机制进行深入研究，而不仅仅是反复地进行实验。另一种有用的方法是使用统计工具进行定量分析。以下是统计学中一些广泛使用的参数。皮尔森相关性系数是衡量两个特征之间线性关系的良好参数，当它接近1/–1时，表明这两个输入之间存在强烈的正/负相关关系。肯德尔相关性系数是衡量两个特征之间的非线性关系的参数。散布矩阵则是一种用于绘制每个数学属性与其他所有数学属性关系的数学工具。通过计算这些参数，可以得知哪些属性与目标属性更接近。

② 特征组合——旨在对输入特征进行降维，从而集中于新生成的特征。一旦知道转换规则，手动生成特征便成为可能。例如，研究已经发现，能量密度对AM加工期间的凝固和冶金以及所制造部件的微观结构和机械性能具有明显的影响。能量密度在SLM中表示如下：

式中，P 是激光功率；v 是扫描速度；h 是舱口间距；d 是层厚度。如上式所示，这4个特征可以转换为新的但影响更显著的特征E。此外，仍然可以使用数学工具来提供帮助，例如应用主成分分析（PCA）根据特征的数值而不是其性质来减少维度。

 过拟合和欠拟合的问题

良好的泛化能力是NN算法的关键目标，用来衡量算法是否能够准确预测先前未知数据。然而，NN算法表现差的原因是由于过拟合或欠拟合。过拟合意味着NN算法试图拟合训练集中的每个数据点；因此，该模型非常容易受到噪声或异常值的影响。相反，欠拟合意味着NN算法无法提取训练集中数据点之间的合理关系。避免过拟合和欠拟合的技术包括添加正则项和随机丢弃神经元等。

对未来的前瞻

 数据

1. 加强API的数据采集互操作性

随着AM的快速发展，每天都会产生大量数据。但是，这些数据在不同的研究团体中交流传播并不容易，因为这些“孤岛”中的数据通常具有不一致的应用程序编程接口（API）。因此，统一的数据采集API将有利于该领域的每个利益相关者。这种API的合格范例应该包括明确定义的材料的热力学属性和工艺参数、用于微观结构表征的统一图像类型，以及用于鉴定的相同测试标准。通过这种方式，数据的流动障碍将会减少甚至消除，并且将在社区中实现更紧密的电子协作。

2. 数据预处理

数据预处理是数据驱动的NN算法的必要先决条件，因为它会对“废”数据进行清洗并将正确的数据提供给模型。但是，此步骤通常包括许多需要完成的繁琐任务。例如，目前有一批扫描电子显微镜（SEM）图像，其中包含晶粒、裂纹和孔隙度信息，而相应的NN模型仅需要裂纹特征作为输入。那么问题就归结为如何准确地从晶粒图像中提取裂纹分布。对于没有扎实的图像处理和分析经验的人来说，识别这些结构特征的数字表达可能是一项挑战。为数据（尤其是图像数据）的预处理建立标准和进行最佳实践是一项必要的任务，其之后可以将成功的经验迁移到更广泛的领域。

3. 数据库建设

在材料的许多领域，研究人员开发了知名的数据库，用于以数字化方式组织/存储/访问数据，如MatWeb、OQMD和Citrine。鉴于AM的高度复杂性和多样性，有必要构建一个统一的数据库平台来托管不同研究组和不同机器每天生成的大量数据。目前可访问的项目是AM材料数据库（AMMD），它由美国国家标准与技术研究院（NIST）开发。该数据管理系统采用非关系型的数据库（NoSQL）引擎构建，其灵活的数据结构非常适合AM情形。AMMD由Django框架进行Web可视化，因此非常易于访问。对于应用程序开发，AMMD还为第三方调用提供REST API接口。

 传感

1. 硬件

如3.2节所示，研究人员开发了几种传感器系统，以便提供有关AM的实时信息。传感器用于精确地检测光学、热学、声学和超声波信号，并提供有价值的见解来加深对AM的理解。然而，搭建可靠的传感器系统仍然存在巨大的困难。例如，安装在打印机内部的传感器必须能够在恶劣的环境中正常工作很长时间。在EBM技术中，由真空环境中的高能电子束产生的金属蒸气可能会破坏相机镜头。此外，传感器系统必须足够灵敏以捕获熔池的中心位置，因为激光的扫描速度通常非常快。从这个角度来看，AM的快速发展非常需要优质的传感器系统作为支撑。

2. 软件

传感器硬件需要由功能强大的操作软件所控制。控制软件的基本模式包括监视、记录、分析和存储数据。在一般情况下，例如在SLM过程期间，一旦硬件将捕获的熔池图像传递给软件，它就可以计算温度曲线并提取热量和尺寸度量以进行下一步的分析。其他令人关注的功能也可以添加到传感软件中，例如为软件配备检测孔洞、未熔合或孔隙等的算法（特别是机器学习算法）。

 控制/优化

AM逐层构建零件，每层的质量对最终产品的性能会产生很大的影响。因此，有必要确保每一层的质量。多种类型的传感器，例如捕获光子、电、声和热信号的传感器，可以提供AM过程中的原位测量。通过应用ML可以实现闭环控制，以便同步分析该信息，然后将其输出馈送到机器的控制器中。其潜在用途是训练CNN以基于由高速相机捕获的层图片来判断层的质量是否合适。在这种情况下，NN算法必须快速响应输入图像。所幸的是，一些模型压缩技术已经可用，如参数剪枝和共享、低秩分解和知识蒸馏。

 全链条连接

第3.2和3.3节分别展示了NN在构建结构-性能和工艺-性能之间关系方面的强大功能。此外，研究人员还构建了其他模型来建立工艺-结构-性能-使役性能（PSPP）联系。例如，Azimi等利用全连接卷积神经网络（FCNN）对低碳钢中的马氏体/贝氏体/珠光体相进行分类，如图4所示。其分类精度可达93.94％，大大超过了目前其精度仅为48.89％的最先进方法。虽然这种情况不在AM的范围内，但其概念很容易迁移到AM；可以预测的是，使用神经网络建立PSPP联系方面会出现爆发性的增长，因为与其他方法和模型相比，神经网络在复杂模型识别中具有内在优势。
图4 使用CNN的马氏体/贝氏体/珠光体分类方法的工作流程。经Springer Nature许可转载自参考文献，©2018

 建模

如前所述，基于物理的模型是重现AM过程的传统计算方法。然而，就时间、硬件和软件而言，它需要大量的计算成本。如3.1节所示，可以从先前累积的数值数据集中学习并提取输入和模拟输出之间的嵌入式链接。换句话说，物理模拟的数值可以是ML算法的数据源，并且可以起到与实验数据相同的作用。Popova等开发了一个数据科学工作流程，将ML与物理模拟结合起来，然后将该工作流程应用于使用Potts动力学蒙特卡罗（kMC）方法获得的一组AM微观结构（原始数据存放于哈佛大学Dataverse数据库中）。Karpatne等提出理论指导数据科学（TGDS）的概念作为整合基于物理的模型和数据驱动模型的新范例。他们确定了5大类将科学知识与不同学科的数据科学相结合的方法。在不久的将来，这两种模型的结合肯定会解决当前缺乏实验性AM数据及NN模型不可解释等问题。

结论

最近在制造业和信息技术领域出现了两个爆发性发展的技术：AM和NN算法。AM具有数字CAD模型集成以及构建具有复杂形态的零件的能力等优点，而NN则擅长于避免构建和解决复杂的多尺度和多物理数学模型。AM和NN的结合已经证明了在工业中实现“敏捷制造”概念的巨大潜力。本文全面概述了将NN算法应用于从设计到后处理的完整AM链条的当前进展。这项工作的范围涵盖了各种应用场景中的NN的许多变体，包括：用于链接AM工艺、性能和使役性能的传统MLP；用于AM熔池识别的CNN；用于再现有限元模拟结果的LSTM和用于数据增强的VAE。然而，正如人们所说，“每枚硬币都有两面”：由于神经网络强烈依赖数据采集，所以很难控制AM部件的质量。因此，这个跨学科领域仍然存在一些挑战。我们为这些挑战提出了相应的潜在解决方案，并概述了我们对该领域未来趋势的看法。

改编原文：

Xinbo Qi, Guofeng Chen, Yong Li, Xuan Cheng, Changpeng Li.Applying Neural-Network-Based Machine Learning to Additive Manufacturing: Current Applications, Challenges, and Future Perspectives[J].Engineering,2019,5(4):721-729.

l 文章来源： 内容团队

白皮书下载，加入 QQ群：106477771
网站投稿请发送至2509957133@qq.com
欢迎转载，转载请注明来源 ，并链接到 网站原文。

本文为大家展示了金属打印在冶金以及利用机械模型和机器学习等方面的先进应用，以及这些手段在拓展金属增材制造方面所起的作用。本文为第二部分。

 机械模型

机械模型可以对工艺过程中的变量如温度场和速度场、冷却速率和凝固参数等在增材制造过程中不易测量的量进行计算。这些模型提供了增材制造打印部件在工艺参数变化和原材料的热物理性质发生变化时显微组织和性能如何变化的现象进行描述。然而，工艺和产品的数字表征在当今还面临着巨大的挑战。这一复杂性的表征，通常是选取最为重要的工艺参数而忽略不重要的工艺过程。这些假设基本是可信的，其可信的程度通过模型预测的结果同实验结果相比较来验证。此外，该任务所用的模型一般是借鉴熔化焊接和冶金学中的模型。

增材制造中的机械模型广泛地用于参数变化和部件组织性能之间的关系预测中。大多数的工艺参数的物理变化需要应用多尺度地模拟来表征，并且在某些场合中还会用到跨尺度的变化。大多数的模拟需要用到瞬时的3D温度场。考虑到计算效率的变化取决于所考虑地物理工艺过程和计算的尺度。当计算是在介观尺度进行时，其计算速度是非常快的。然而，采用同样的计算对粉末层面地模型进行计算则需要几倍数量级的时间。因此，将时间尺度和长度尺度结合在一起是一件非常有挑战的事情，需要进一步的研究。在这里，我们对现有的研究进展进行回顾，对机械模型在金属打印中面临的机会和挑战也做了介绍。

 传热模型和金属流动模型

金属打印包括加热、熔化、凝固和固态相变的过程，以及熔化区形状、显微组织、缺陷、机械性能和残余应力和变形的演变情况。对这些物理参数的变化同部件组织性能的定量关系的理解始于熔化区瞬时温度场和液态金属流动的模拟。传热和液态金属的流动的模拟基于质量守恒、动量和能量守恒的原理来获得诸如温度-时间历史的变化、熔化区形状和凝固速率的变化等。图5a为在PBF-L、DED-L工艺中利用粉末和DED-GMA中利用丝材为原材料时得到的典型的熔池的温度场和速度场。熔池的3D温度场分布和形状变化以及原材料（粉末或丝材）的变化可以通过基于介观模型的传输现象来获得。这些模型可以模拟在多层沉积时的情形，此时每一层包含着多道熔道。

增材制造是依靠局部原材料的熔化和凝固来实现的，结果，熔池的形状和尺寸影响着打印部件的显微组织和性能。除去对部件的形状特征进行计算之外，这些模型还可以计算在制造过程中沉积金属时的多个热循环。这些结果可以提供不同监控位置的温度-时间数据图（见图5b）。热循环对显微组织的模拟是非常必须的。实验测量诸如详尽的温度-时间-空间的数据是非常困难的，这是因为增材制造工艺本身的复杂性的本质所决定的。然而，在某些局部区域的温度-时间数据，如果可以获得的话，对测试和校准模型是非常有用的。从传热和流体模型中得到的结果可以促进对显微组织、晶粒结构和可打印性的定量理解。

 显微组织演变的模拟

在显微组织中不同成分变化时相分数的模拟有助于理解打印部件在热处理前后的性能。每一可热处理的合金在加热和冷却时经受着独特的相变过程。结果，显微组织的模拟是同合金密切相关的，代表着显微组织演变过程中每一个相发生相变的可能的途径。在金属部件经受多道热循环时多道熔化焊的显微组织的计算方面的文章是比较丰富的。这一过程同增材制造工艺是比较相似的。在这些系统和增材制造中，可靠的显微组织的计算已经通过在连续冷却相变图和相分数随时间的变化中所得得详细得动力学信息而获得。

相变的模拟和显微组织特征的尺度曾经用来考虑热历史和 合金成分。Avrami等式显微组织的计算，基于Johnson-Mehl对PBF-L Ti6Al4V合金是非常有用的，同时连续冷却相变图已经被用来理解DED-L Ti6Al4V的显微组织的演变，同时用于DED-L In718合金的析出动力学的模拟。尽管这些计算结果提供了相分数的可靠结果，但他们却不能提供形貌方面的信息。相变模拟手段被用来解决小长度范围内的显微组织的特征。例如，相场模拟铝合金的显微组织演变时则呈现出枝晶的生长，见图5b。相场模拟同时还被用于镍基高温合金的显微组织的计算。在DED-L Ti6Al4V合金时β相向织篮α相的固态相变转变。曾经利用相场模型基于粉末尺度的温度计算进行模拟。在这些模型中，将物理模型中的孕育、加热和冷却考虑进3D的熔体流动中是非常有挑战的。同样，边界条件中的能量场的定义也是如此。相分数演变在实验数据和计算数值方面定量数据的缺乏（在长度方面同部件相比）增加了困难。

图5 金属打印时不同类型的机械模型的结果

 晶粒结构演变的计算

晶粒的形貌、尺寸和方位影响着部件的机械性能和化学性能。晶粒尺寸的空间变化和形貌可以通过不同方向一定的截面来观察。然而，取决于所选取的平面，柱状晶有可能在某些截面看起来像等轴晶。基于Monte Carl的晶粒生长的模拟可以理解打印部件的晶粒结构。这些模型可以模拟不同晶粒形貌的过渡状态，如柱状晶向等轴晶的转变，在同方位相关的凝固状态下晶粒生长方向的变化以及多个热循环时固态下晶粒生长方向的变化以及多个热循环时固态晶粒的生长等。晶粒形貌的孕育密度的影响的计算则表明等轴晶的数量随着孕育密度的CET的增加而变化，此时孕育密度比较大。

3D晶粒的生长模型可以揭示晶粒结构的演化和提供有关晶粒形貌、尺寸和方向以及织构方面的信息。这些计算需要温度场的3D瞬时信息、熔化区的尺寸、局部的温度梯度和在不同方位的凝固生长速率，所有这些可以通过热模拟和流体的模拟来获得。晶粒从部分熔化的晶粒进行外延生长和遵从凝固前沿的最大热流方向。可以在一定的横截面上呈现出等轴晶。

 残余应力和变形的模拟

应力和应变的演化采用实验来确定是比较困难的，但热模拟模型则广泛的得到应用。这些模型的计算工作量非常大并且给予热传导模型而忽略液相金属的流动，这是熔池中比较典型的热传导机制。更精确地计算将考虑对流传热，同计算软件和硬件的改善结合在一起来进行。残余应力的分布和应变随激光扫描路径的变化在PBF-L、DED-L和DED-GMA时的变化是非常显著地，见图5d。这些计算考虑了对流传热并且在PBF-L时揭示出最小地残余应力和变形。这是因为熔池的尺寸小、沉积速率比较低。此时计算量过大，也是不太实际地。

 缺陷形成的模拟

在介观尺度模拟过程中，小尺寸的特征如表面粗糙度是不会进行模拟的。粉末尺度的模拟则比较适合解决这一问题，因为这些模型比较典型的模拟1mm3或者网格尺寸比较小，在1-2微米时比较适合。时间分布经常限制在几纳米范围内，液态金属流动的高速率下来维持计算的收敛在较小的网格间距。因此，这些模型需要花一天或者更多的时间来运行计算。由于匙孔不稳定性造成的空隙的形成可以通过粉末尺度的模型进行模拟。

机械模型用于不同缺陷的形成，诸如气孔、合金元素烧损和裂纹等开始得到应用。常见的增材制造打印合金中，气孔的形成在PBF和DED中是由于熔化不充分造成的。匙孔诱导的气孔在高能量密度时的模拟可以捕获到匙孔壁的不稳定的本质。另外一个比较重要的问题则是在高温沉积时的元素烧损。挥发性元素的选择性损失会导致原材料和沉积后的制品在化学成分上存在显著的差别。成分的变化同时也会影响到沉积制品的显微组织和性能。

许多合金的成功打印受到熔化和凝固过程中裂纹敏感性的阻碍。大量的裂纹经常会在柱状晶晶粒的边界发生。晶粒形貌从柱状晶到等轴晶的晶粒形貌的变化会抑制凝固裂纹的形成，因此提高了合金的可打印性。多个途径同CET的冶金学相关的手段给予了讨论，这在柱状晶向等轴晶的转变中已经给予了介绍。所有这些办法需要对凝固状况的传输现象和晶粒结构的演化模型进行定量评估。

 可打印性的评估

打印时的评估通过检查部件常见缺陷，如变形、成分变化、未熔合和裂纹的敏感性等。综合的和减少阶次的模型是可行的，可以用来完成任务。理论尺度上的分析可以用来测试合金对热变形的敏感性。合金对于未熔合的敏感性可以通过传热的数值来模型和流体的计算来得出。一个给予可打印的数据库的模型实验证实后可以减少试错和促进部件质量认证的开发时间，这对打印新合金来说是节省时间和节约金钱的。

在当前，只有少量的商业合金比较容易实现打印，用于增材制造打印的特定的设计还刚刚开始。一个比较重要的目标是通过减少常见缺陷的办法来提高其打印性能。例如，以Cr-Mo-V工具钢的粉末和马氏体不锈钢的粉末进行DED-L后其机械性能优于传统的制造工艺。将Ti和Cr粉末进行混合后采用DED-L进行打印可以获得较好的强度和韧性。将Si添加到2021、6061和7075铝合金中进行打印会导致细小的Al3Zr或Al3Sc相的析出。作为晶粒细化的接种体并且阻碍裂纹的产生。新的镍基合金hastelloy合金被设计出来用于PBF-L打印，用来阻碍裂纹的生成。

机械模型是功能强大的模拟工具，可以提供不易获得的视野。然而，这些计算需要对背后的物理机制有深入的理解，而且这些数据却又不易获得。此外，机械模型通常都比较复杂且需要比较显著的计算资源和用户要具有比较熟练的技巧。相反的，机器学习则仅仅需要较少的编程知识和模型技术，结果，该技术得以广泛的应用。

 机器学习在金属打印中的应用

机器学习可以促进计算机进行可靠的预测，通过不同的源头获得的数据来学习。比较有用的信息和相关关系从数据中提取而不需要对现象进行指导或进行额外的编程。预测的精度可以提高产品质量和数据的体积。这一技术强大的开源编程能力使得机器学习可以解决复杂的问题。这一复杂的问题自第一次出现时可能很复杂。在这里，先介绍一下开源的算法和代码，然后讨论一下其有效的用途和对金属打印造成的影响。

 使用机器学习的原因

通过不断的试错的办法来获得高质量的部件是不仅速度极慢且成本-效益也低的办法。因此，机器学习则开始广泛的应用于金属打印的全过程（见上一篇中的图3）。金属打印中的显微组织、性能和缺陷的演变取决于多个同时发生的物理过程。因此，产品一体化的现象的预测在目前是没有的。机器学习可以作为预测显微组织、性能和缺陷的工具。该方法并不需要给予对现象的理解来利用复杂的公式来解决问题。结果，计算会非常迅速。此外，输入变量的等级制度和输出数据的敏感性是可以确定地。最后，机器学习的程序比较容易构建，这是因为经过测试，容易使用和可靠地算法的有效性地缘故。

 广泛可靠地资源

在增材制造中机器学习的应用在机器学习模型和开源的程序的应用上得到应用。模型的分类，如决策树、随机树和K-近值邻居均是数据分类问题中比较有用的，如打印部件中探测到的或探测不到的气孔。这些模型也用作决策。回归模型，如人工神经网络、Bayesian神经网络和支持向量机被用来给予功能的角度将输入和输出联系在一起，并且可以在一套输入参数后预测可变的输出量。开源的编程，如WekaScikit学习、TensorFlow、Keras和Theano则可以非常容易地进行使用。这是因为这些伴随着大量的手册和测试案例。在接下来的章节，我们检查了机器学习在构建金属部件的不同阶段应用机器学习提高产品质量地案例。

 金属打印中的应用

机器学习在金属打印中的应用受到管理复杂的工艺过程和强大的开源代码的有效性的驱动而得到快速的发展。最近的应用范围包括 从工艺规划到参数优化、传感的控制和提高熔化区域的贡献、定制显微组织和缺陷的迁移等，见图6。这些例子显示了机器学习在金属打印中的重要性，其应用可以单独进行，也可以同机械模型组合在一起使用。

 工艺参数的优化

工艺参数的选择在控制部件的质量上是非常重要的因素。机器学习是一种快速和可靠的预测和优化工艺状况以获得理想的部件的途径，见图6a。例如，DED-GMA的神经网络预测的送丝速率、扫描速度、弧电压和喷嘴道板材之间的距离以及优化参数以获得部件所需要的宽度和高度。应用随机树算法来优化参数，使用PBF-L技术获得了优质的In718部件。神经网络技术被用来预测粉末铺粉辊的旋转速度和平移速度，以最大程度的减少表面的粗糙度。热力学模型和机器学习一起来识别工艺状态以避免在DED-L打印梯度SS316-纯Cr时脆性金属间化合物Sigma相的形成。回归为基础的机器学习用来检查送粉速率、扫描间距、激光功率对DED-L的表面性能的影响。以上提到的应用关于机器学习来构建增材制造部件且使用变化的增材制造变量的案例表明该技术是可以给予数据进行优化参数的。优化的参数可以在随着时间不断积累的数据的条件下而不断地得到提高。

 探测和工艺控制

机器学习可以用来监测和控制金属打印过程，同时可以控制缺陷的形成，提高尺寸精度。例如，对部件采用相机进行原位影像的获取可以 用来同CAD设计的结果进行比较以探测感兴趣的区域，该区域是可能存在缺陷的。这些区域可以进一步的分成若干子区域，以便将图像用来训练神经网络来实时探测缺陷，见图6b。三个例子显示了可变的探测和监控办法。第一个，利用计算视觉算法获得的粉末特征的数据可以用来训练支持向量机以进行工艺控制。第二，工业监控系统以及多层分类可以提供控制策略以减少PBF-L中的缺陷的生成。这些数据基于制造同一部件时同一设备所提供的数据。最后，利用光传感器获得数据利用支持向量机的分析来探测DED-L中的缺陷。这些例子则表明原位探测和监控打印过程的有效性，且可以最大程度的减少认为的干扰。

 部件形状的控制

打印部件的形状有可能会由于打印工艺的不稳定性、热变形而造成同设计的尺寸存在偏差，这一偏差会在比较极端的情况下直接成为废品。机器学习经常被用来在打印过程中进行控制部件的尺寸。例如，在PBF-L SS 316时，采用不同的激光功率和扫描速度来训练神经网络，采用高速相机测量沉积的宽度，结果见图6c的左图。在另外的一种情况下，神经网络预测一定扫描速度和激光功率条件下的扫描道宽度，其结果同实验结果相吻合，见图6c右图。

图6 金属打印中机器学习的应用案例

以神经网络为基础的机器学习被用来控制熔道的宽度和高度，熔化区的深度。此外，在PBF-L时的熔池深度通过决策树优化激光功率、扫描速度、光斑尺寸和吸收率。而且，采用神经网络对工艺过程中的形状的偏差进行了捕获和分析以获得较好的尺寸误差的增材制造部件。这些例子表明这些改善符合原先设计的尺寸将促进部件的认证。

 控制显微组织和性能

显微组织的特征，如晶粒尺寸、分布、方位以及性能，如拉伸性能、硬度、疲劳强度等均可以用来发展机器学习的算法，从而可以快速的进行计算处理以获得理想的显微组织和性能。输入数据进行训练机器学习可以从校正的机械模型中生成。例如，采用3D Monte Carlo模型得到的频率随晶粒尺寸的变化可以用来训练神经网络，见图6b。神经网络支撑的用于PBF-EB的工艺模型和遗传算法预测屈服强度以帮助理解PBF工艺过程中的结构和性能之间的关系。在使用机器学习量化显微组织方面尽管已经取得了一定的进展，应用机器学习在金属打印中来控制显微组织和性能方面仍然处于发展的初级阶段。

 减少缺陷

机器学习被用来最大程度的减少部件中诸如气孔、未熔合、变形和表面粗糙等缺陷。例如，机器学习可以用来减少DED-L打印Ti6Al4V时的气孔，见图6e。尤其是，采用红外相机监控DED-L工艺过程中的温度场，通过追踪固相温度曲线来提取出熔池的边界。依据上述数据，用发展的支持向量机来将工艺过程分成两大类，正常和不正常，其分类依据气孔形成的可能性来进行。当实验采用易于形成气孔的条件进行时，部件中就会形成缺陷，见图6e。在另外一样品中，采用机器视觉发现粉末的铺展出现异常（工艺为PBF-L）。由于粉末铺展和输送造成的粉末床的不完美现象采用神经网络可以将其同部件的缺陷关联起来。在另外的学习中，自动图像分析用来识别缺陷。机器学习在减少表面缺陷方面提供了一个非常有用的框架。

 其他应用

除了在构建部件的不同阶段有应用之外，机器学习在金属打印中还有其他应用，包括粉末的表征、部件的失效和部件的原位检查。例如，利用计算机视觉得到的数据来训练支持向量机可以用来对对粉末的特征进行质量评估。机器学习还可以用来预测设备的失效和前瞻性的预测和替换部件，在实际部件出问题之前进行替换。同时，机器学习平台通过高分辨率的图像和CT扫描数据进行训练，最终可以学会预测问题和探测打印过程中存在的缺陷。计算视觉技术和机器学习已经在工业中用来检查部件和识别打印部件中的微裂纹，从而节约时间和金钱。

 展望

在近年来，商业用增材制造设备的销售在不断增长，在全球授权专利数和全球市场的收入数据已指出增材制造的应用范围在未来会的都进一步的扩展。增材制造技术应用范围的进一步扩大，尤其是，更多据的商业合金能够被打印，将取决于我们是否否能够攻克增材制造技术应用的瓶颈。

最近关于增材制造技术的文献综述已经指出，这里存在三个明显的趋势。第一个就是解决增材制造工艺制造中存在的问题是不能或很难采用以往的办法来解决的。机械模型的不断增长的应用和机器学习在参数选择方面的应用将会有助于提高产品质量、降低成本和减少试错的成本。第二个趋势是金属的层层堆积制造方式，有时候单层的厚度比头发丝还细小时，是同显微组织和性能相关的令人困惑的科学问题，有待于解决。多学科交叉的研究办法有助于解决这些问题，并在先进的增材制造实践中得以应用，并对冶金方面的科学起到贡献作用。最后，3D打印技术进一步提升了传统工艺的技术水平，如3D打印带内冷却通道的注射模具可以减少冷却时间、提高产品的产能和质量。3D打印和机加工混合的复合制造，可以发挥各自的优势。这样，冶金学、机械模型和机器学习对金属打印的贡献将逐渐渗透到传统制造工艺中。金属打印在科学上和技术上以及经济上面临的挑战需要在软件和硬件上的机械模型和机器学习的进步以及持续不断的提高可打印的数据库和完善显微组织-性能之间的关系。这些技术上的进步需要世界范围内的多学科的技术上的突破来实现。

延伸阅读：综述：冶金、机械模型及机器学习在金属打印中的应用（一）

文章来源：T. DebRoy, Mukherjee, T., Wei, H.L. et al. Metallurgy, mechanistic models and machine learning in metal printing. Nat Rev Mater (2020). https://doi.org/10.1038/s41578-020-00236-1

来源：江苏激光联盟

白皮书下载，加入 QQ群：106477771
网站投稿请发送至2509957133@qq.com
欢迎转载，转载请注明来源 ，并链接到 网站原文。

增材制造有着广泛的应用，例如制造定制医疗设备、航空航天器材和艺术品。随着潜在用途的不断增加，增材制造能够满足需求是非常重要的。然而，分析和优化这个复杂的过程可能很困难。工程技术人员能做哪些工作来克服这个挑战呢？

 增材制造的多功能性

增材制造是通过逐层添加一种或多种材料来创建三维对象的过程。法国国立高等矿业电信学校联盟所属的里尔-杜埃高等国立矿业电信学校的 Frédéric Roger 教授对这种类型的制造有如下观点。（IMT 是一家法国公共机构，致力于工程和数字技术的高等教育、研究和创新。）

Roger 教授说，从某种意义上看，增材制造与缝纫或编织有点类似。这两种过程都是通过控制不同原材料的合并方式来创造异质成品。在编织中，材料通常是线和纱，而增材制造可以使用多种材料，包括聚合物、金属合金、陶瓷和复合材料。

选择合适的材料对于生产理想的成品来说非常重要，无论是一条温暖的毯子（上图：我的祖母编织的），还是一个定制的航空航天部件（下图），都是如此。

材料的广泛性意味着增材制造可用于设计许多行业中的大量独特物品。例如，Roger 提到，通过使用合适的材料和热力学条件，工程技术人员可以制造出能够承受或适应恶劣环境条件的物品。这些物品甚至可以通过改变形状或释放被基质捕获的化学物质（如药物）来适应特定的温度或化学条件。随着时间的推移，转换将为打印部件再增加一个维度，从而产生“四维打印”。

有时，增材制造零件的灵感源于自然形态，比如图中的仿生示例。

Roger 认为，增材制造带来的许多机遇使其成为“不可或缺的制造工艺”，原因是它“提供了用先进材料开发优化结构的新机会”。然而，工程技术人员必须先改进增材制造工艺才能创造出这些结构。

 应对增材制造仿真的挑战

增材制造是一个复杂的过程，因此很难研究。这项技术因所涉及的材料和增材制造的具体类型而异。研究这个过程还需要考虑许多不同的影响因素，例如：

• 多相变
• 能量、质量和动量的传递
• 烧结
• 光聚合
• 干燥
• 结晶
• 变形
• 应力

为了分析这些因素的影响，工程技术人员可以使用 COMSOL Multiphysics® 软件，Roger 认为这是“一款独一无二的软件，它在增材制造仿真方面具有强大的优势。”该软件不仅能帮助工程技术人员“优化增材制造工艺，还能预测力学和微观结构对产品的影响。”借助这一软件，工程技术人员可以使用所有相关的物理场，确定理想的制造条件和零件几何结构，以平衡刚度、减重和散热的需求。”

上：增材制造过程示例，其中涉及许多不同的物理场。
下：由两种材料制成并填充有蜂窝内部结构的增材制造零件示例。

他们面临的挑战在于，在耦合相关物理场的同时分析增材制造过程会导致模型尺寸变大且计算时间变长。为了克服这一难题，Roger 实施了多种不同的仿真策略，例如激活网格属性、采用自适应网格重新划分和执行序贯仿真。

通过采用序贯方法，Roger 能够更好地分析增材制造过程中材料热力学状态的连续性。同时，这种方法随着时间的推移将多物理场耦合解离，有助于降低多物理场耦合的复杂性。因此，序贯仿真能够在降低计算成本的同时进行全面建模并优化增材制造过程。

 通过多物理场仿真优化增材制造零件

在仿真过程中，Roger 和他的团队成员专注于熔融沉积成型（FDM®），这是一种常见的增材制造技术，既实惠又能控制工艺参数。该研究的目的是优化打印的热塑性零件的内部和外部几何结构，并获得最佳性能。为了有效实现这些目标，团队成员将他们的分析分成三个部分，如下所述。

第 1 部分：外部零件几何结构的拓扑优化

在第一部分研究中，研究人员希望尽量减小打印结构的总重量，同时保持最大化刚度状态的材料分布。为此，他们使用拓扑优化和结构力学分析来研究承受拉伸载荷的机械结构。

原始几何结构和边界条件（上）以及通过颜色对比定义最佳形状的杨氏模量分布（下）。
图片来自 COMSOL 用户年会 2015 格勒诺布尔站的演讲材料。

通过研究，他们找到了零件的最优形状，确定了形状的中间位置具有最高应力水平。因此，研究人员根据应力集中场将结构划分为多个域：中间的高应力区域，以及周围的两个低应力区域。在接下来的研究中，他们利用这些信息将特定的制造条件应用于高应力区域。

优化的几何结构中的应力场。

第 2 部分：优化的三维零件的填充策略比较

在第二部分研究中，研究人员主要通过测试两种可能的填充策略来增强高应力区的稳定性：

1. 具有可变密度的非均质填料
2. 多材料填料

在非均质填料案例中，团队成员通过使用更高密度的填充物，在中间高应力区域创建了一个更具抵抗力的域。同时，他们通过使用更少的材料来最小化外部区域的重量。结果表明，理想的几何结构在高应力区包含 60% 的材料，在低应力区包含 20% 的材料。

使用一种密度可变的材料打印优化的零件。

如下图所示，在多材料案例中，零件的两端使用红色的 ABS 塑料，中间则使用机械性能得到改进的黑色导电 ABS。研究人员发现，他们可以用类似于 ABS 的材料来代替导电 ABS，这种类似的材料具有增强的过滤器，可以增加刚度。

使用两种材料打印优化的零件。

第 3 部分：熔融热塑性塑料沉积的传热分析

在优化三维打印零件的内部和外部设计之后，研究人员对熔融热塑性塑料沉积过程进行了建模，并评估了制造参数。仿真结果帮助他们准确预测热历史、润湿条件、聚合物结晶、细丝之间的相互作用以及残余应力和应变。以下示例描述了加热和冷却过程中的塑性应变。

在这项研究中，研究人员还分析了薄壁管前两层的传热和质量传递。随后，他们能够分析塑料液滴沉积过程，并确定细丝达到熔化温度的区域。材料沉积研究的动画如下所示，其中描绘了一个热源沿着沉积模式移动，并将细丝加热到熔化温度，对 ABS 液滴来说，熔化温度约为 230℃。仿真中的挤出机路径域已预先划分了网格，网格根据挤出机的位置不断被激活。

通过这些仿真，Roger 和团队成员预测了沉积过程中细丝之间的温度场，这是影响细丝粘附的一个重要因素。类似的分析可以帮助研究人员比较不同的增材制造条件，并确定特定应用的最佳沉积策略。

 增材制造仿真总结

Roger 表示，通过这些仿真，他的团队成员能够“定义增材制造零件，使其内部和外部架构为零件提供最佳的工业性能。”当然，这仅仅是将增材制造与多物理场仿真相结合的一个开端。

文章来源：COMSOL

资料下载，请加入 3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.luezhai.com
在首页搜索关键词 网站投稿请发送至2509957133@qq.com

 为什么随形冷却？

注射成型过程中，冷却所占比例约为成型周期的60%，因此冷却周期很大程度上直接影响到生产周期。生产周期的降低可以大幅度提高生产效率，从而节约对注塑机设备、场地和人员的投资。大幅降低制造成本，提高模具企业的利润。

传统生产加工中，我们所采用的冷却管道为横平竖直样式，很多区域受到现有加工技术限制不能做冷却管路，这样极大了影响了最终成型周期及产品质量。随形冷却采用粉末逐层烧结技术，这就赋予了设计的自由性，让管路随着产品的外形布局，让设计者不再受加工技术的限制，让所想即所见成为现实。

 随型冷却水路基本设计准则

1) 水路的直径：通常水路直径在大于Ø1时才能起到冷却效果。

2) 横截面面积：尽管3D打印可以定制形状，但是在设计水路横截面是应保证水路截面积保持不变，从而保证恒定体积的冷却液通过管道。

3) 与模具表面的距离：一般传统水路管壁到胶位的最小距离为水路直径的1-1.5倍。但是3D水路运用的案例一般局部距离较为局促，我们需要保证水路到胶位的距离不变（一般最小为2MM），从而达到均匀的冷却效果。

4) 冷却水路长度：尽管3D打印水路不存在传统加工时的钻头钻偏错位，但是3D水路也不宜过长，以便冷却水快速的进出，保证热量被快速带走。

5) 冷却分支：尽管多分支水路视觉冲击感很强，但是实际成产中往往会遇到很多不可察觉的问题。

 不同形式的随形冷却分类

1) 有分支的随型冷却设计

2) 无分支的随型冷却设计

3) 栅格类随形冷却设计

 有分支的随型冷却设计：

a) 减少了进出水的接口数量

b) 设计难度相对来说稍大

c) 堵塞后难以清洁、疏通

d) 容易产生“死水”

 无分支的随型冷却设计：

a) 最常见的设计形式

b) 设计的简便性

c) 稳定的水流量

d) 清洁的便利

 栅格类的随形冷却设计:

a) 适用于一些位置狭窄的模具镶件冷却

b) 减少了进出水接口的数量

c) 很容易堵塞

d) 生锈或堵塞后难以清理

e) 容易产生“死水”

f) 降低镶件的机械强度

 案例分享

协助客户改善汽车灯的问题

挑战：壁厚较厚的产品容易造成周期长，产品内部容易出现问题

结果：采用随形冷却优化，将循环时间从600s减少到120s，提高产品质量。

文章来源：EOS

资料下载，请加入 3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.51shape.com,在首页搜索关键词
网站投稿请发送至2509957133@qq.com

随着国内外对于增材制造技术研究的不断深入，增材制造产品在航空领域的应用潜力慢慢凸显出来。美国波音公司通过DED技术为其787梦幻客机生产结构部件，将Norsk Titanium公司的快速等离子沉积™技术用于飞机结构件研发，通过技术研究与改进以及一系列严格的测试，最终于2017年2月获得了首个3D打印钛合金结构件的FAA认证。

快速等离子沉积™技术3D打印钛合金结构件

美国GE在其LEAP发动机采用了增材制造燃油喷嘴，该燃油喷嘴采用Hastelloy X高温合金作为增材制造材料，是目前国际上第一款通过了适航认证的增材制造航空发动机组件。

增材制造LEAP发动机燃油喷嘴

适航即适航性，是指航空器适合/适应于飞行的能力。通过了适航认证，就代表了产品在研制及批生产阶段的各个环节均实现了有效的控制与管理，产品达到了规定的安全与质量水平要求。笔者认为，对于适航审查与认证的要求与条款的理解对于提高国内增材制造产品质量至关重要。

FAA全称Federal Aviation Administration ，美国联邦航空管理局，1967年成为交通部的下属。其主要任务包括:促进民航安全管理；鼓励和发展民用航空,包括航空新技术；开发和经营空中交通管制、导航系统的民用和军用飞机；研发体系和民用航空领空；制定和实施控制飞机噪音和其它节目环境影响民航；美国商业空间运输管理等。

随着增材制造在航空领域应用优势与潜力的展现，如何对增材制造这一新兴制造技术开展适航审查与认证工作受到了FAA的关注，并开展了以下工作（见下图）。

 适航认证的起点从对技术的认知开始

2015年6月3日，FAA发布了AIR 100-15-130-GM39《增材制造认知》备忘录，提出由设计、制造和适航部门（AIR-100）组建了增材制造国家团队（AMNT），收集有关AM应用的信息，并作为正在开展的AM认证研究的技术资源。这些信息将有助于AMNT识别技术问题，并研发促进AM零件获得FAA认证的指南。

 疑问（考虑）是适航审查与认证的基础

2016年7月7日，FAA发布了AIR100-16-130-GM18《粉末床熔融增材制造零件的工程考虑》备忘录，该备忘录不提供AM部件认证的指导，而是从产品设计、原材料、成形过程、后处理、检测方法、工艺验证、材料设计值获取以及其他方面（包括技术文件、电子文档、过程控制、成形中断、异质污染物控制、可追溯性等）提出了疑问（考虑）。这些工程疑问（考虑）是为与申请人进行认证讨论提供良好的出发点，并在需要问题文件（IP）中进行记录，为后续的适航审查定与认证奠定基础。

 实地审核与更新迭代是确定评估审查要求的保证

2016年9月30日，FAA发布了AIR 100-16-110-GM26《增材制造设施和过程的评估》备忘录，旨在帮助航空安全审查员（ASI）对AM设施及过程进行评估，协助审查员采集关键工艺参数，并从人员培训、场地设施、技术数据、原材料处理、设备、软件控制、制造过程有效性、制造过程监控、检测、冶金过程等方面进行全流程过程审核，并积累数据、更新迭代、并进行新的认证活动。随着增材制造工艺与流程的成熟及行业标准化的完善，增材制造国家团队（AMNT）预计会对该文档进行频繁修订。

 结合需求为维修过程认证提供指导

2016年11月30日，FAA发布了NOTICE 8900.391《飞机、发动机、螺旋桨中的增材制造维护、预防性维护及更换》，主要是为飞行标准服务（AFS）人员参与飞机、发动机及旋翼类飞行器的维护、预防性维修及更换时提供认证与监督的指导，同时对于FAA管理、运营及行政人员也可以参考这份文件进行相关的工作。该文件的实施有效期定为1年，并于2017年11月30日废止使用。

 AC进一步指导开展适航符合性验证

2018年，FAA发布了咨询通告AC 33.15-4《粉末床熔融增材制造成形涡轮发动机零件及修复指南》的征求意见稿。FAA的咨询通告（AC）是FAA向所有飞机型号申请人给出的一种适航符合性验证方法（非强制实行），用来表明对适航条款或专题的符合性，按此方法验证，FAA直接认可，原则上CAAC/EASA也是认可的。虽然这份文件不是FAA最终发布的文件，但对于如何保证增材制造（此处仅为粉末床熔融（PBF）方法）产品质量仍具有重要的参考价值与意义。下面将对AC 33.15-4中的规定进行简述。

AC 33.15-4给出的是一种可接受的方法，用于证明通过粉末床熔融（PBF）增材制造（AM）成形涡轮发动机零件及零件产品的维修与联邦法规 14 CFR §33.15的符合性，并对AM相关设计与制造等方面提供了指导。由于PBF AM成形的工艺依赖性强，其材料的设计值不仅与制造商采购原材料的变异性相关，而且还与用于制造生产零件和维修的制造工艺所引入的变异性相关。必须对全流程的参数变量有充分的理解，才能达到稳定和可重复生产零件所需的控制水平。因此，AC 33.15-4在材料设计值、设计、材料与成形、后处理、检测、工艺验证等6方面给出了指导。

 测试程序要规范，材料设计许用值应获取

在材料设计值方面，AC 33.15-4提出要建立规范的测试程序，采用典型、有代表性（考虑成形批次、成形位置、试样取向、原材料批次等）的测试样本的基本准则；应考虑有效工艺窗口、产品的实际情况（各向异性、孔隙率、熔合不良情况等）、测试实验室的资质等方面对试样测试进行保障；采用类似于复合材料的积木式验证方法（见下图），通过试样级、细节件级、构件级等多层级积木式验证来保证产品研制；在成品材料设计许用值方面，要考虑增材制造材料各向异性的表征、最小材料设计极限值的建立、零件功能裕度的补偿等方面，最终建立材料设计许用值。

积木式验证

 工艺特点与约束，设计考虑需全面

对于增材制造这一强设计相关的制造技术而言，从适航的考虑从零件设计就应该开始考虑。AC 33.15-4从零件设计、零件取向、尺寸控制、表面状态、支撑结构、粉末去除等几方面进行指导。零件设计时，应充分考虑各向异性、增材制造特有缺陷以及缺陷的最佳检测时机与方法；依据材料各向异性特性、残余应力的产生、自支撑及悬垂曲面的特点来考虑零件成形时的取向；考虑工艺及装备的成形能力、残余应力的产生于消除、后期热处理及热等静压等热循环的要求来控制制件产品的尺寸；考虑零件的表面光洁度要求、内表面处理、表面状态对于力学性能、可靠性的影响以及零件产品防护涂层的涂覆；考虑零件生产时支撑结构数量的减少以及支撑结构对于传热与保形的作用；考虑粉末去除，并制定相应的程序规范，验证潜在残余粉末对于零件预期功能的影响。

 生产过程要稳定，技术规范不可少

在材料与制造方面，主要从材料与工艺的研发以及材料与工艺控制等方面提供认证指导。在材料与工艺研发阶段，充分考虑变异性来源，并采取适当的控制措施，减少材料性能变化；通过原材料规范、熔融工艺规范、热处理规范、人员资格鉴定与认证、设备鉴定、维护与校准等方法，进行合格冶金工艺的鉴定，批准后能始终如一生产符合设计要求的零件；在材料与工艺控制方面，应考虑建立原材料规范、原材料再利用要求、工艺规范、零件材料规范等方面的标准化文件用于适航认证。

 后处理规范需明确，潜在影响应说明

在成形后处理方面，必须规范并说明成形后工艺及程序，包括：残余粉末的去除、残余应力定义及解决方法、取件方法及顺序、支撑去除的方法及顺序、热处理与热等静压的过程参数及显微组织要求、防护涂层涂覆的技术规范及其对材料性能的潜在影响。

 检测方法需明确，检测要求应给出

PBF AM是逐层沉积的过程，可能产生在成形方向上不具有显著高度的缺陷（例如，沿成形面形成的、仅有1-2层厚的熔合不良等平面缺陷）。此外，成形态表面粗糙，可能会掩盖表面缺陷，难以检测。所有常规无损检测（例如，X射线、荧光、超声、涡流）是适用于AM零件检验的，但可能需要以新的或组合的方式来检测AM过程产生的缺陷。因此，在检测AM零件时，应明确零件材料固有缺陷及缺陷阈值标准、确定检测时机、选择适合的检测方法与标准、保证表面状态符合NDI检测要求、通过CT等方法应对复杂几何形状及内部特征的检测。AC 33.15-4指出，CT是目前唯一被批准用于检查无法直接访问的内部特征的检查方法，但需要考虑其成本、时间、能力等。

 工艺过程需验证，更改必须有依据

为保证稳定、可再现地生产出符合设计要求的尺寸、性能及质量的零件，AC 33.15-4提出进行工艺验证，包括工艺验证方法、工艺定型鉴定、设备鉴定、多台设备鉴定以及关键工艺变更的相关要求。当工艺过程与参数发生变更时，必须提供可靠地试验数据及依据进行说明。

FAA对于AC 33.15-4的制定及未来发布表明增材制造在航空领域的应用已初步进入实际工程应用、批量生产阶段，其规定的要求都体现出从产品的设计研制到批生产各个环节与流程都需要系统化、规范化的技术文件支撑，才能保证产品生产的质量一致性及可重现性，这对于提升国内增材制造产品质量、推动增材制造在各行业领域的应用有重要的指导及参考价值。

文章来源：融融军民

资料下载，请加入 3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.51shape.com,在首页搜索关键词
网站投稿请发送至2509957133@qq.com

 引言
 
随着科技的发展，对材料的性能要求越来越高，低密度材料也越来越受到人们重视，尤其是超轻材料的诞生使得低密度材料上了一个新的台阶。超轻材料是一类密度小于10mg/cm3的新型材料，具有良好的比强度和比刚度，是优异的物理化学性质和结构性能的统一体。超轻材料具有声吸收、能量吸收、减震缓冲、热绝缘等性能，在航空航天领域具有重要作用。超轻材料的性能主要取决于它的结构和组成材料的固体成分的性能，比如材料中孔隙的分布以及固体本身的硬度及强度都对性能有着重要的影响。毫米级的多孔材料，除了质量很轻以外，轻质多孔金属材料优异的热力学等性质也可以满足不同民用和军用需求，有些材料还可以大量低成本生产。

超轻材料的性能主要取决于它的结构（孔隙和固体成分在空间上的分布）和固体成分的性能（刚度、强度等）。现有的超轻材料有二氧化硅气凝胶（ρ≥ 1 mg/cm3）、碳纳米管气凝胶（ρ≥4mg/cm3 ）、 金 属 泡 沫（ρ≥10mg/cm3）、聚合物泡沫（ρ≥8mg/cm3 ）、超轻的氮化硼泡沫（ρ≥ 1.6mg/cm3）以及金属微晶格（ρ≥ 0.9mg/cm3）等。

 1.气凝胶

在超轻材料的发展过程中，气凝胶是最先出现的一种。 气凝胶是一种结构可控的纳米多孔轻质材料，具有纳米结构、高比表面积、高孔隙率等特点，在热学、声学、光学、电学等方面具有特殊的性能。尤其在绝热方面，气凝胶是迄今为止绝热性能最好的材料之一。根据气凝胶材质的不同，将其分为：硅系气凝胶，碳系气凝胶。

1.1 硅系气凝胶

硅系的气凝胶是气凝胶中最传统也是最常见的一类。 硅系气凝胶中主要的就是二氧化硅气凝胶，被称作“蓝烟”、“固体烟”。 Tilloton等通过改良的两步溶胶-凝胶过程制备出了无裂缝、密度在3-80 mg/cm3的透明二氧化硅气凝胶材料。 得到的二氧化硅气凝胶的密度更低。 而Koncon等通过超临界的乙醇干燥两步溶胶?凝胶过程得到的二氧化硅气凝胶，密度更小，其最小密度可达到2.3mg/cm3。

1.2 碳系气凝胶

碳系气凝胶又可分为碳纳米管气凝胶、石墨烯气凝胶、碳纳米管?石墨烯复合气凝胶以及碳纳米纤维气凝胶。将碳纳米管、石墨烯等制备成超轻材料时，在质轻的同时兼具了这些碳材料的功能，这就更大程度地满足了超轻材料的多功能性。 所以近年来，材质为碳及其复合物的气凝胶、泡沫、点阵等超轻材料层出不穷，这也说明了碳材料作为超轻材料的广泛性。

Li等则通过冷冻干燥的方法，制备得到密度为4.4-7.9 mg/cm3 的石墨烯气凝胶，该种气凝胶最大的特点是防火。Qian等通过将酚醛树脂自组装、冷冻干燥的方法也得到了石墨烯气凝胶，这种方法制得的气凝胶密度更小，可达到3.2 mg/cm3。Sui 等利用超临界CO2合的方法（无需搅拌）将氧化石墨烯的水分散液、碳纳米管以及维生素C化合制备得到一种碳纳米管?石墨烯混合气凝胶。由于其中没有使用有机溶剂等环境不友好的试剂，这种合成被认为是绿色无污染的。 材料密度最小可达32.2m3，比表面积可达435 m2/g石墨烯弥补了碳纳米管电子转移的缺陷，同时碳纳米管增加了石墨烯的层间距。该种材料结合了碳纳米管和石墨烯的优点，使得材料具有很多优良的性能。如：电导率最高可达2.8S/m，具有较好的海水淡化能力（633.3mg/g），比最强淡化海水的能力（440.1mg/g）高15.8倍。从以上总结可以看出气凝胶从最初的二氧化硅气凝胶发展到功能性更强的碳系气凝胶经历了漫长的几十年。 制备气凝胶的方法也越来越多样，对材料的选择也趋于多种类。 这使得气凝胶也向着密度更低、功能更强的方向发展。 而超轻材料的结构远不止气凝胶这一种，材料的选择也还有很多。

 2. 泡沫材料

泡沫材料、气凝胶以及之后要介绍的点阵材料均属于多孔材料。 多孔材料是生物材料中普遍存在的一种典型结构，并在动植物等生物体内发挥着不可替代的生物作，如常见的木材、珊瑚、骨头等天然多孔结构的材料能够长期承受巨大的载荷。多孔材料由固体骨架和大量的孔隙组成，孔隙的存在降低了材料的质量，同时也增大了材料的比表面积。多孔材料按照结构规则程度划分为两种类型，一类是无序多孔材料，如气凝胶和泡沫材料。 另一类是有序多孔结构的材料，如点阵材料。

泡沫材料作为一种含有无序孔隙的多孔材料，按照孔隙的形态可分为开孔泡沫和闭孔泡沫。开孔泡沫指的是孔隙与孔隙间相通，闭孔泡沫即孔隙表面是闭合的，孔隙与孔隙间被固体骨架所隔开。而按照泡沫材质的不同，可分为金属泡沫、碳系泡沫和聚合物泡沫。 下面就按照材质的不同对超轻泡沫材料进行介绍。

2.1 金属泡沫

金属泡沫是上世纪80年代后期才迅速发展起来的一种结构功能材料。金属泡沫不仅具有金属本身的导电导热性，也由于该种泡沫的结构具有诸如轻质、高比表面、刚性大、减振效果好等物理性能，所以作为新型的功能材料具有广泛的应用，如汽车以及航天飞机的制造中。但是随着碳系泡沫以及点阵材料的出现，金属泡沫不论是从材质还是结构来说，其应用都受到了一定的限。 而且，金属泡沫的密度虽属于轻质，但是达到超轻范围的却不多。Taappan 等在惰性气体中将活性配体苯并三唑(BTA)与金属铁配位，通过将配位体自蔓延燃烧的方法得到铁的金属泡沫（图 1）。这种泡沫的密度可达到11 mg/cm3，比表面积为 270m2/g。他们还通过这种方法得到了钴、镍、铜的金属泡沫。

图 1 铁泡沫：(a) 铁泡沫和未燃烧的Fe-BTA；(b)配位体自蔓延燃烧法制备的铁泡沫 SEM 图 (1μm)；（c） 图(b)的放大图(200nm)
 
 2.2 碳系泡沫

碳系泡沫经常由金属泡沫作催化剂在其基础上加工得来。 但是与金属泡沫相比碳系泡沫具有更多的功能。如由Wu等制备得到的3D石墨烯泡沫是通过镍泡沫做牺牲模板，将电处理过后的薄石墨烯沉积在模板上，然后在FeCl3/HCl的混合溶液中将模板腐蚀掉得到的。这种石墨烯泡沫可用作超级电容器。 其在水电解质中，当电流密度为0.5A/g时，可提供113.2F/g的电容量，且在循环1000次之后，仍可以保持90%的电容量。

Chen 等则利用CVD的方法用甲烷做碳源，在镍泡沫上反应后通过在 FeCl3/HCl的混合溶液中将模板腐蚀掉，从而得到密度约为2-3 mg/cm3的石墨烯泡沫(图2)。

图 2 石墨烯泡沫：（a）170×220 mm2 自支撑石墨烯泡沫的照片；(b)石墨烯泡沫的 SEM 照片

2.3 聚合物泡沫

聚合物泡沫同样具备轻质高强的性质，同时由于聚合物特有的性质，聚合物通常具有形状可塑性及记忆功能。Singha 等利用二氧化碳气体发泡的方法制备得到一种密度为 15mg/cm3的聚氨酯泡沫.这种聚合物泡沫具有好的形状记忆功能和生物相容。Shastri等通过碳氢化合物颗粒做模板制备得到一种低密度的大孔聚乳酸泡沫。这种泡沫具有良好的形状可塑性，可用于固体支撑和医疗设备。也可用作热和机械绝缘体。 用碳氢化合物颗粒做模版可以控制泡沫空隙的孔径大小和形状，为制备多孔材料提供了一个很好的控制孔隙的方法。以上总结可以看出，金属泡沫、碳系泡沫和聚合物泡沫的低密度都是通过泡沫结构的多孔性来实现的。 但是泡沫的孔隙与气凝胶相比，通常孔的尺寸较大但是孔隙度不足，这也是现有的泡沫材料没有气凝胶密度更低的原因。

 3.微点阵材料

微点阵材料是近年来兴起的一种新颖的多功能超轻材料。 尤其是从 2011 年 Schaedler 等制备得到超轻多孔微点阵镍材料(ρ ≥ 0.9mg/cm3) 成为当时“世界上最轻的材料”以来，微点阵材料的研究就汹涌而至。Xiong已经对微点阵材料的种类、性能、用途等方面进行了一定的总结。 微点阵材料最大的特点是其结构的有序性。 微点阵材料与泡沫相比是一种周期性有序的多孔材料。 孔隙无序的材料相对比表面积高，表观密度小，有序结构相比这方面的性质会稍微差一点，但是由于其有序性使得材料具有高的硬度和强度。而高强度材料在应用方面更占优势。从图3就可以看出点阵材料在机械强度方面的优势。

 图 3  现有材料的强度与密度的关系图

3.1 金属微点阵材料

金属微点阵材料是最先出现的微点阵材料的类型。2011年美国加州大学欧文分校和加州理工大学的研究者们(Schaedler 等) 利用自蔓延光聚合法制备得到的硫醇?烯聚合物微点阵作为模板，之后再模板上进行化学镀镍，再将模板刻蚀掉得到正八面体空心管微晶格镍材料，首次制备出了结构可控、材料利用率高的超轻多孔微点阵材料，密度最小可达0.9mg/cm3该材料能量吸收强与弹性体相似。该材料的这些优异的性能归因于材料在结构上的多级次尺度结构（从纳米到微米至毫米），这种尺度结构可从图4中表现出来。

图4  微点阵镍的制备步骤及结构层次图

Wang 等通过3D 打印的方法制备了聚合物点阵，然后在其表面进行化学镀铜，再通过恒温(60℃)浸泡在氢氧化钠溶液中、时间为24h的方法将 聚 合 物 模 板 去 除。 得 到 了 最 小 密 度 可 达7.2 mg /cm3的空心金属铜微点阵。

3.2 陶瓷微点阵材料

陶瓷是人类生活和生产中不可或缺的一种材料，由于较高的强度、硬度及耐高温、抗腐蚀性等特点，其应用范围遍及各个领域。 尤其在我国，陶瓷制品从古至今都在人们的日常生活中起着重要的作用。 但是由于其易碎且对于裂缝的敏感性，对于制备结构材料来说不是最优的选择。陶瓷点阵材料不仅超轻、强质且可在一定程度上克服其脆性。

Meza 等就证实了纳米级的陶瓷材料同时具备超轻、比强度高的等特性，且可在压力达到50%时，仍可恢复原形。这种材料通过双光子光刻技术得到聚合物模型，用其做模板，通过原子层沉积镀上一层纳米级的氧化铝膜，并通过氧气等离子体将聚合物模板刻蚀掉，得到厚度为5-60nm的中空氧化铝陶瓷点阵（图5），对应的密度为6.3-258mg/cm3。这种超轻的陶瓷材料具有能量储存的功能，并可以通过改变厚度/半径比值的大小，减小和抑制材料的脆性断裂。Meza等还利用这种方法得到厚度为75nm的中空氮化钛纳米点阵，这种材料具有较好的机械强度，屈服应力可以达到1.75GPa。

  图 5 中空氧化铝纳米点阵：(a)170×220 mm2 自支撑石墨烯泡沫的照片；(b) 石墨烯泡沫的SEM 照片

3.3 碳系微点阵材料

上述已经说明碳材料具有优良的性能，故各种超轻材料均有碳系材质的参与。 微点阵材料也不例外，Jacobsen 等在3D打印的光敏树脂微点阵材料表面浸渍丙烯腈，然后高温烧蚀得到了超轻的玻璃碳微点阵，这种材料的压缩强度可达到10.2MPa。

微点阵材料作为一种可设计性很强的新型超轻材料种类，已经得到了一些性能优异的超轻材料。3D 打印等科技的结合为点阵材料的发展提供支持和保证。 这种材料的结构更利于得到力学性能强的超轻材料，这就使得到密度更低、力学性能更强的材料得到了进一步的发展。

Jiang等在金属微点阵、陶瓷微点阵以及碳系微点阵方面进行了相应的研究，利用3D 打印技术得到金刚石结构的高聚物模型，并通过化学镀镍、烧蚀模板的方法得到了密度为19 mg/cm3的空心镍微点阵（图6），接近超轻材料的范围。

图 6 空心镍微点阵：(a)空心镍微点阵的照片；(b)空心镍微点阵金刚石结构的 SEM照片

 4. 总结

综上所述，各种材料均有其优点也有一定的缺陷。 超轻材料的研究还需从以下3个方面进行研究:

(1)利用各种材料的优点来制备复合结构型的超轻材料。

(2)超轻材料的功能化。

(3)寻找其他结构来丰富超轻材料的多样性。

随着微型 3D 打印等科技的发展，制备体积更小、质量更轻、强度更高的微点阵材料已经成为超轻材料发展的趋势。 相信以后还会出现性能更多、更好的微点阵材料以及更优于现有结构的超轻材料，尤其在新的增材制造方面将会发挥更大的作用。

来源：材料人网

资料下载，请加入 3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.51shape.com,在首页搜索关键词
网站投稿请发送至2509957133@qq.com