上海理工大學王皞教授課題組 ：機器學習輔助增材制造金屬材料疲勞壽命預測的最新進展綜述
隨著機器學習領域的不斷發展，新的算法和技術不斷涌現。關注和研究這些新型機器學習算法在增材制造金屬材料疲勞壽命預測中的應用潛力，如深度強化學習、圖神經網絡等，充分發揮其在處理復雜數據和挖掘深層次規律方面的優勢，為解決增材制造金屬材料疲勞性能預測中的難題提供新的思路和方法。”
第一作者：王皞
通訊作者：王皞，Aijun Huang，Lai-Chang Zhang，Daolun Chen
通訊單位：上海理工大學
DOI: 10.1016/j.jmst.2024.01.086
01 全文速覽
增材制造以其制造復雜幾何形狀和內部結構的能力，廣泛應用于生物醫學和航空航天等領域。然而，由于存在隨機缺陷和各向異性，增材制造部件的疲勞性能預測仍面臨挑戰。本工作綜述了通過機器學習模型預測增材制造金屬材料疲勞壽命預測的最新進展。
02 研究背景
增材制造通過逐層增加材料來構造部件且擁有制造復雜幾何形狀和內部結構的能力，是一種快速、靈活且生態友好的技術。但在當前的工藝條件下，仍難以避免孔洞、未熔合等冶金缺陷，這給打印態金屬材料的疲勞性能預測帶來困難。隨著大數據和人工智能的快速發展，作為人工智能的一個分支，機器學習的出現有望為增材制造金屬材料的疲勞預測提供新的視角。
03 本文亮點
傳統方法在增材制造金屬材料疲勞壽命預測中存在諸多挑戰。本文綜述了不同機器學習模型在增材制造金屬材料疲勞壽命預測中的應用，探討了影響疲勞壽命預測的關鍵因素，揭示了疲勞壽命與缺陷、微觀結構及工藝參數的關系，并提出了相關改進預測性能的建議。
04 圖文解析
圖1. 1 用于增材制造部件性能預測的機器學習模型雙向流程圖。
圖1. 2 增材制造金屬材料疲勞應力與疲勞壽命的關系。（a）鋁合金；（b）鋼；（c）鈦合金。
圖1. 3 不同機器學習模型預測增材制造金屬材料疲勞壽命的文獻數量。（a）文獻包含某種模型；（b）文獻僅使用某種模型。
圖1. 4 不同機器學習模型利用物理知識的比例
05 總結與展望
本工作回顧了增材制造金屬材料疲勞壽命預測中常見的機器學習模型，并強調了物理知識在小數據集情況下的重要性。主要結論包括：
（1）機器學習模型可以顯著提高鈦合金、鋁合金、鋼和鎳基合金等增材制造金屬材料的疲勞壽命預測能力。尤其是在數據集較小且稀疏時，依然能夠提供有效的預測結果。
（2）數據集大小和質量對數據驅動的機器學習模型疲勞預測精度至關重要。為了擴展和優化數據集，可以采用生成對抗網絡、連續介質損傷力學、蒙特卡羅模擬和有限元模擬等方法。
（3）超參數選擇對機器學習模型的疲勞預測性能有重要影響。例如，人工神經網絡的隱藏層數和神經元數量、支持向量機回歸的懲罰因子和核函數、隨機森林的樹的數量和最大深度等。
（4）融入物理知識可有效解決機器學習模型“黑箱”問題。特別是在模型構建、算法學習、樣本輸出和數據觀察等方面，可以提升機器學習模型的透明度、可解釋性和預測精度。
06 作者介紹
王皞，中國科學院金屬研究所，研究員/PI，曾任上海理工大學材料學院特聘教授/PI，增材制造研究院院長。本科畢業于南京大學，博士畢業于中國科學院金屬研究所。長期從事金屬結構材料研究，建立了面向鈦基合金等先進結構材料的集成計算和數據平臺以及增材制造全流程仿真平臺，開展合金成分、微觀機理、顯微組織、成型工藝等多尺度計算模擬和實驗研究，為合金設計、性能預測、工藝優化和產品評價提供理論和方法支撐。擔任中國材料學會計算材料學分會委員、中國計算機學會高性能計算/大數據/虛擬現實與可視化技術專委會委員、上海市增材制造標準化委員會委員、九三學社上海市委上海制造專門委員會委員、中廣核蘇州熱工院特聘高級技術顧問、Scientific Reports編委、MGE Advances青年編委、金屬學報青年編委；主持國家和省部級項目20余項；在Science、Nature Mater、Acta Mater等期刊發表SCI論文120余篇，高被引論文2篇，軟件著作權登記6項，授權專利4項；入選遼寧省百千萬人才工程千人層次、中科院青促會、沈陽市高層次人才拔尖人才。
高帥龍，北京理工大學在讀博士研究生，碩士畢業于上海理工大學，研究方向增材制造+機器學習+性能預測（力學和電磁隱身性能）。截至目前，已在Journal of Materials Science & Technology、Chemical Engineering Journal、Composites Part B、Metals等期刊發表SCI論文8篇。參加過中國材料大會、第六屆材料基因工程高層論壇、人工智能驅動下的增材創新智造等學術會議，并獲得2023年中國材料大會Z-材料模擬、計算與設計分會學術墻報優秀獎，2024年上海市/上海理工大學優秀畢業生稱號。
07 引用本文
H. Wang, S.L. Gao, B.T. Wang, Y.T. Ma, Z.J. Guo, K. Zhang, Y. Yang, X.Z. Yue, J. Hou, H.J. Huang, G.P. Xu, S.J. Li, A.H. Feng, C.Y. Teng, A.J. Huang, L.-C. Zhang, D.L. Chen, Recent advances in machine learning-assisted fatigue life prediction of additive manufactured metallic materials: A review, J. Mater. Sci. Technol. 198 (2024) 111-136.
來源
材料科學和技術 l
(責任編輯：admin)
Fabric8Labs推出AI芯片定
Titomic又一合作，將與nuF
荷蘭公司將開設3D打印船舶
Chicago Additive推出AMOS
590MHz帶寬+超90%輻射效率
威斯康星大學麥迪遜分校工
突破性生物3D打印
迪拜LEAP 71公司
3D生物打印構建內
《Small Science
南洋理工-劍橋大
清華大學：抗拉強
