告别“试错法”！新型AI算法5步锁定3D打印钛合金黄金参数，性能突破行业极限

来源：AMLetters

在航空航天和医疗植入领域，Ti-6Al-4V合金因其高强度、耐腐蚀等特性备受青睐。但传统激光粉末床熔融（LPBF）技术面临巨大挑战：打印后的合金虽强度高达1100MPa，延展性却不足8%；若通过热处理提升延展性，强度又会骤降。这种“强度-延展性”的天然矛盾，让科学家们陷入“鱼与熊掌不可兼得”的困境。

破局利器：主动学习框架开启“智能筛选”新时代
韩国浦项科技大学团队在《Nature Communications》发表突破性研究，首创“帕累托主动学习框架”，将传统数月实验缩短至5轮迭代，成功找到296种候选参数中的最优组合。该框架两大核心黑科技：

• 高斯过程回归（GPR）
  

像“材料预言家”一样，通过119组历史数据学习工艺参数与性能的复杂关系。

• 超体积优化算法（EHVI）
  

化身“智能勘探员”，在每次实验中优先测试潜力最大且不确定性高的参数组合，快速逼近性能极限。

性能炸裂：1190MPa强度+16.5%延展性创纪录
经过5轮迭代实验，团队取得惊人成果：

• 1轮突破：在保持1060MPa强度下，延展性从14%飙升至18.3%
• 终极性能：最优参数制备的合金实现1190MPa抗拉强度+16.5%总延伸率，较传统锻造工艺提升30%以上
• 全面碾压：10组新参数合金性能全部超越历史数据，刷新性能天花板
  

微观揭秘：算法找到的“黄金配方”有何奥秘？
通过电子背散射衍射（EBSD）分析发现，最优参数合金同时具备两大特性：

• 高强度密码：超细α板条（<1μm）与窄化β晶界，通过大量晶界阻碍位错运动
• 高延展性密钥：基底滑移系施密特因子集中0.4-0.5区间，促进位错滑移能力提升46%
  

点击链接可直接下载文献：Active learning framework to optimize process parameters for additive manufactured Ti-6Al-4V with high strength and ductility.pdf

主要图文

图1 整体流程示意图。 图中展示了探索具有优异机械性能的 Ti-6Al-4V 合金总体流程的三个组成部分：a) 构建包含加工参数和热处理参数的初始 Ti-6Al-4V 激光粉末床熔化（LPBF）数据集。b) 实施 Pareto 主动学习框架。所提出的主动学习框架通过每次迭代从未标记数据集中选择两个 LPBF 工艺参数与热处理条件的组合进行操作。期望这两个组合能够最大限度地扩展由黄色线条所示的 Pareto 前沿，该前沿代表着在提升某一性能时必然需要牺牲另一性能的折衷面。基于这两个组合，通过拉伸试验制备 Ti-6Al-4V 合金，并获得其极限抗拉强度（UTS）和总延展性（TE）值。随后，将这些试验获得的新数据加入到标记数据集中以扩展 Pareto 前沿，并在重复过程中推荐另两个组合进行测试。c) 通过微观结构分析验证所选参数组合制备的 Ti-6Al-4V 合金样品具备优异的 UTS 和 TE 值。

图2 | 展示五个输入参数与两项机械性能之间相关性的成对图及数据分布。  a) 图中展示了五个输入参数与极限抗拉强度（UTS，粉色）之间以及与总延展性（TE，蓝色）之间的相关性。由于初始数据集（来自多项研究和不同实验条件）的内在变异性及参数间的相互依赖，各参数的单独效应是在未固定其他参数的情况下可视化的。图中阴影区域表示数据点的分布情况，反映了各数据集中数据的波动与散布；而实线则显示了基于线性回归拟合获得的趋势线，捕捉了各变量间的整体关系。   b) 图中还展示了初始数据集中所有 Ti-6Al-4V 样品的分布（以灰色标记），以及基于激光功率、热处理温度和热处理时间，将总延展性排名前10%的样品以蓝色、极限抗拉强度排名前10%的样品以红色标记。

图3：本文提出的Pareto主动学习框架概览。该框架通过迭代重复各步骤，旨在筛选出一种能够同时实现Ti-6Al-4V合金高极限抗拉强度和高总延展性的参数组合。

图4：主动学习迭代结果。 a) 第一轮；   b) 第二轮；   c) 第三轮；   d) 第四轮；   e) 第五轮。图中黄色菱形代表预测的性能，红色三角形代表实验结果。   f) Ti-6Al-4V 合金的拉伸强度（UTS）与总延展性（TE）的 Ashby 图。此图基于初始数据集（补充数据1）、DED 加工以及锻造 Ti-6Al-4V 样品（补充数据2）的数据构建，其中阴影区域表示不同数据集中 UTS 与 TE 的属性空间，展示了各种加工方法下数据点的分布情况。橙色区域（方形标记）对应于初始数据；蓝色区域（三角形标记）对应于 DED 获取的数据；绿色阴影区域（五边形标记）表示锻造 Ti-6Al-4V 样品的数据；最后，红色圆形标记显示了通过所提出的框架获得的优化性能。

图5：所选组合的预测极限抗拉强度（UTS）和总延展性（TE）值及其概率密度函数。a) 第一次迭代，   b) 第二次迭代，   c) 第三次迭代，   d) 第四次迭代，   e) 第五次迭代。图中黄色菱形表示预测性能，红色三角形表示实验结果；蓝色显示的概率密度函数对应每次迭代中第一个样品（如 1-1、2-1、3-1、4-1、5-1），而红色显示的概率密度函数对应第二个样品（如 1-2、2-2、3-2、4-2、5-2）

图6：1-1、2-1、3-1 和 3-2 样品中强度演变的微观结构分析。a1–d1：在 LPBF 样品的 xz 平面上观察到的 α 板条的低倍率 EBSD IPF 图。   a2–d2：对应于（a1–d1）所示区域的 xz 平面上，根据局部马氏体 α 相织构，并依照 Burgers 取向关系重构得到的先前 β 相的 IPF 图。   a3–d3：对应于（a1–d1）的等高线极图。   a4–d4：对应于（a1–d1）的等高线极图。

图7：1-1、2-1、3-1 和 3-2 样品中延展性演变的微观结构分析。 a1–d1为对应于图6a1–d1、a2–d2区域中基底滑移系统 {0001} 的SF图。各图通过尺寸展示了SF值的频率分布，其中与基底滑移系统对应的SF值区间以蓝色高亮显示，并在每个图左上角的蓝色矩形中标注了该区间内的总频数。

作者简介

Seungchul Lee博士现任韩国科学技术院（KAIST）机械工程系副教授。他的研究领域涵盖机械系统的工业人工智能、智能制造、材料及医疗健康方向，并且在KAIST致力于基于知识指导的人工智能与由AI驱动的知识发现工作。
信息来源：https://iai.postech.ac.kr/people/professor

Hyoung Seop Kim 教授现任韩国浦项科技大学（POSTECH）材料科学与工程系教授，同时兼任铁及环保材料技术研究院的教授，并参与韩国延世大学以及日本东北大学先进材料研究项目（WPI-AIMR）的联合研究。他的研究主要聚焦于材料结构设计与性能优化，涵盖多个前沿领域，包括：

物理冶金与金属塑性变形：致力于多孔及非晶材料的力学行为模拟，以及针对纳米结构金属材料的严重塑性变形进行研究。

高熵合金与增材制造：探索高熵合金的开发、处理及加工工艺，同时面向金属增材制造和异质结构材料设计展开创新研究。

计算机模拟和人工智能应用：利用先进的数值仿真与机器学习工具，对金属塑性变形和热机械行为进行系统性研究，为材料设计提供数据驱动的决策支持。

信息来源：https://www.wpi-aimr.tohoku.ac.j ... searcher/kim_h.html