基於機器學習方法預測攪拌摩擦固態增材AA6061的力學性能

研究背景

攪拌摩擦固態增材（AFSD）是一種新興且備受關注的固態增材製造（AM）技術，基於該方法可以製備晶粒細化的微觀結構以及性能優異的緻密構件。然而，基於AFSD所製備的構件的成型質量和力學性能直接受控於加工參數所導致的接觸界面的不同的熱場分佈和物料流動演化行為。同時上述行為又可以通過界面溫度、主軸力和扭矩等特徵值表徵。因此，有必要採用各種方式嘗試獲取上述參數以深入瞭解熱演化和變形行為，進而分析其對於沉積構件的性能的影響。目前，機器學習（ML）已成為增材製造領域的一種可行方法以有效捕獲各種變量之間複雜的關聯性。研究表明，ML技術可以通過將工藝參數和結構特徵分別作為輸入和輸出變量以探究材料的微觀結構和力學性能之間的聯繫。此外已有研究發現可以通過人工神經網絡（ANN）和支持向量機（SVM）較為精準的預測3D打印的316 L不鏽鋼的疲勞壽命。然而，尚未有研究探究機器學習技術在AFSD領域的應用。並且從提取的數據的特徵來看，現有的AFSD領域的可用數據的豐富性和穩定性尚有欠缺，這也將顯著阻礙基於ML所構建的模型的適用性。因此，亟需基於一種新型的可以實現原位監測過程量參數且穩定性高的監測設備以獲取全面性的參數，進而以輔助構建攪拌摩擦固態增材構件的參數-性能關係網絡。

實驗方法和模型構建

基於（圖2）的攪拌摩擦固態增材裝備（新一代智慧化多功能固相製造複合裝備，航天工程裝備（蘇州）有限公司）以製備AA6061的沉積件，設定基礎工 藝參數如下：轉速（500 rpm）、焊速（140 mm/min）、送料速度（11.7~ 35.0 mm/min）和層厚（0.5、1.0和 1.5 mm）。AFSD過程後可製造出沉積層均勻排列且物料充分流動的金相結構。實驗過程中通過自主研發的智慧化原位過程量監測刀柄（圖2B，Temp-Mech-Aware刀柄，廣東橫琴澳質研科技發展有限公司）以捕獲穩定的傳輸信號（溫度、頂鍛力、頂鍛扭矩、主軸力和主軸扭矩）。上述刀柄可以自動進行信號濾波以獲得穩定的信號，其溫度、力和扭矩的測量範圍分別為0700 ℃、0300 kN和0~300 Nm，所有內嵌傳感器的精度和頻率均保持在0.5%和128 Hz。本研究進行了一系列實驗（62組），獲得了大量監測數據以確保後續預測模型的可靠性。圖3分別對應層厚為0.5 mm（圖3A）、1.0 mm（圖 3B） 和 1.5 mm （圖3C）的實時原位監測數據。AFSD試驗後分別基於硬度計和拉伸機測試沉積件的顯微硬度和抗拉強度。

在構建ML模型過程中，除了基礎工藝參數（轉速、焊速、送料速度和層厚）之外，將採集的多種過程量參數（溫度、頂鍛力、頂鍛扭矩、主軸力和主軸扭矩）同時作為輸入變量。將顯微硬度和抗拉強度設置為輸出變量並基於ML算法（SVM、RF 和 ANN）進行模擬和預測。此外，基於模型揭示對沉積件的力學性能影響最大的因素。所有研究結果可輔助改進應用於AFSD 領域的機器學習模型，併為在實際工程領域製備具有高性能的沉積樣件提供有價值的技術建議。

圖2-（A）AFSD實驗過程示意圖，（B）攪拌摩擦固態增材裝備以及自主研發的智慧化原位過程量監測刀柄的實物圖。

圖3-層厚為0.5 mm（圖3A）、1.0 mm（圖 3B）和 1.5 mm（圖 3C）時，智慧化原位過程量監測刀柄所獲取的監測數據。

研究結果

圖 4 彙總了基於 SVM，RF和ANN 模型獲取的預測結果。其表明，與 SVM 和 RF 模型相比，最適合預測基於 AFSD 製備的 AA6061 沉積件的力學性能的模型為ANN 模型。當預測顯微硬度/抗拉強度時，其預測精度最高（0.9923/0.9998），同時其對應的MAE（0.0738/0.0050）和RMSE（0.1373/0.0063）最低。三種ML方法的預測精度和泛化能力排名為以下順序：ANN > RF > SVM。這是由於ANN方法可以識別輸入和輸出變量的所有交互，並且該方法的訓練系統可以動態選擇最為合適的迴歸模型以實現模型構建，這將直接提高其預測精度。此外，ANN模型的隱藏層結構可以通過充分擬合訓練集進而有效提高其準確性。

通過和以往其他課題組的研究結果（R2在0.21 到 0.89 之間）對比可以發現，本研究所獲得的所有預測精度均有顯著提升。這在很大程度歸因於本研究所使用的智慧化原位過程量監測刀柄，其實現了穩定且精確的輸入變量的獲取。然而，以往的研究獲得數據集的方式主要通過安裝在基板底部的熱電偶和外部電機內的扭矩傳感器，同時根據電機消耗的電流計算主軸力信號。上述間接的數據採集過程直接降低了數據的穩定性和準確性，進而導致基於機器學習的預測模型的較差精度。上述結果再次證實了本研究自主研發的刀柄可以為構建ML模型提供更有效且穩定的數據，並顯著提高相應的預測效果。

在證實了ANN模型的最佳預測精度後，本研究基於該模型進一步評估了輸入參數對力學性能的影響程度。如圖5所示，送料速度（24.8%/24.1%）和層厚（25.6%/26.6%）對顯微硬度和抗拉強度具有主導調控作用，是影響沉積構件的力學性能的關鍵因素。上述兩個參數可以直接影響AFSD過程中沉積構件的熱演化行為，提高送料速度將降低熱量積聚效應，促進晶粒細化並提高AA6061 沉積件的拉伸性能。而增加層厚將降低 AFSD 過程中的接觸界面溫度，導致沉積件的位錯密度的增加和顯微硬度的提升。

圖4-不同ML方法的預測結果對比: (A) R2, (B) MAE and RMSE，其中(Ⅰ) 和 (Ⅱ)對應顯微硬度和抗拉強度。

圖5- 不同輸入變量對(A) 顯微硬度和 (B) 抗拉強度的影響程度

總結

本研究採用不同的機器學習方法（SVM，RF和ANN）構建了參數和性能之間的關係網絡模型並預測了攪拌摩擦固態增材的 AA6061 的力學性能（顯微硬度和抗拉強度）。所採用的自主研發的原位過程量監測刀柄獲取的實時過程量參數，極大程度地提高了模型的數據豐富程度和穩定性。基於材料基因工程的理念，本研究首次採用自主研發的智慧化裝置，證明並實現了ML模型構建在AFSD領域的應用，為後續高通量、高精度、信息化AFSD實驗及批量生產高性能的構件提供了技術指導，有望大幅降低實驗試錯成本，加速工藝研發進程。此外，本研究有望為實現增材製造過程的數字化以及全閉環控制鋪平道路。

該工作發表在Materials Genome Engineering Advances期刊上，澳門大學及澳門發展及質量研究所譚立武教授團隊，航天工程裝備（蘇州）有限公司技術團隊及北京科技大學李曉剛教授團隊共同完成了本項研究。