增材制造17-4PH不锈钢力学性能的数据驱动建模

来源：长三角G60激光联盟

据悉，本研究通过开发一个预测模型来检验增材制造的金属零件的微观结构和机械性能之间的联系，该预测模型可以基于17-4PH不锈钢的微观结构数据来估计诸如极限抗拉强度、屈服强度和断裂伸长率等性能。

本研究通过开发一个预测模型来检验增材制造的金属零件的微观结构和机械性能之间的联系，该预测模型可以基于17-4PH不锈钢的微观结构数据来估计诸如极限抗拉强度、屈服强度和断裂伸长率等性能。所提出的方法的主要优点是可推广性。数据收集自AM制造的17-4 PH不锈钢、内部拉伸测试和成像以及AM公司进行的测试的现有文献。通过图像处理对图像尺寸和晶界提取进行标准化后，提取了诸如晶粒尺寸分布和纵横比等特征。通过使用人工神经网络，在晶粒尺寸和形状特征以及相应的机械性能之间建立了关系，随后，预测了网络之前未接触到的新样品的性能。

介绍
增材制造金属零件的能力为各种行业带来了重大变革的机会。从生产飞机零件到用于能源生产的涡轮叶片，金属的增材制造有可能成为一种变革性的生产过程。它的优点包括大大缩短了原型制作的前置时间，减少了材料浪费，能够构建独特和复杂的几何结构，以及减少了构建完成后的组装需求。鉴于不需要工具，以及能够在没有传统工艺那么多固定制造成本的情况下小批量制造零件，金属增材制造（AM）在许多情况下是小批量生产的最佳选择。

本研究的目的是通过使用数据驱动建模来预测AM制造的17-4PH不锈钢零件的机械性能，建立一种降低成本的程序。在没有预测建模的情况下，必须通过实验或使用生产AM系统的人员已经开发的参数来确定最佳甚至成功操作的工艺参数，这限制了快速实施AM和定制部件性能的潜力。通过使用本研究中概述的方法，可以减少在开发额外制造的金属零件时必须应用试错策略的程度，以满足所需的设计和性能规范。理想情况下，使用足够先进的预测工具，例如，可以基于工艺参数、微观结构和机械性能之间的已知关系，通过最少的实验来生产具有特定拉伸强度或延展性的零件。

晶粒生长模型：采用三维元胞自动机（CA）模型，利用中尺度晶核和晶粒生长模拟所得热历史。考虑了外延和体成核。当沿融合线的细胞温度降至液相线温度以下时，就会发生外延成核。在该细胞中形成与前一层中的相邻细胞方向相同的细胞核。

之前报道的多尺度、多物理场建模框架中通过改变成核参数生成的每个模拟微观结构的 3D 表示。

子卷采样：生成四个构建域后，每个构建域被划分为六个感兴趣的采样层（见下图），然后进一步离散化为单独的子卷，作为框架晶体可塑性建模部分的输入。每个子卷都是（与构建图层的高度大致相同），体素大小为.每个体素化子体积都通过DREAM.3D传递，用于量化微观结构特征（详见2.2.1）并为EVPFFT模型编写输入。请注意，选择如图所示的TD-SD平面中的三层是为了研究AM域内相对于构建方向的变化。选择SD-BD平面中的两个采样层，一个以激光扫描轨迹为中心，另一个位于两个连续轨迹之间，以探索扫描线之间和沿扫描线可能出现的任何变化。

为每个域定义的采样层和子体积的 3D 表示。图（a）–（d）分别指域A–D。各个子卷用作用于训练和测试这项工作中数据驱动模型的数据。对于域 A 和 D，TD-SD 平面中的中间采样层被视为维持图层，用于测试数据驱动模型在预测相应采样图层的整个属性映射方面的性能。

这些方法的一些挑战包括AM零件不同部分的工艺条件可能存在差异，以及需要解释AM金属零件中的缺陷，尽管已经发表了许多关于这一特定主题的研究。作为模拟微观结构的替代方案，基于可观察微观结构特征的预测允许降低生成机器学习模型的总体计算成本。

比较不同机器学习模型预测的构建域 A 中指示的维持层的属性图（即横向有效屈服强度）。

用于拉伸试验结果预测的机器学习（ML）方法已成功地应用于其他增材制造材料，如塑料。各种创造性的方法已经与机器学习模型的能力相结合，以预测或测量属性数据。本研究采用模块化方法进行预测，并利用几个不同的数据集得出每个失效周期的预测。

金属打印的主要变体，定向能沉积（DED）或粉末床熔融（PBF）因原料类型（粉末或金属丝）和热源而异，激光（L），电子束（EB），等离子弧（PA）或气体金属弧（GMA）。在计算机的帮助下，这些热源的运动由零件的数字定义引导，从而以逐层的方式熔化金属以构建3D对象。然后，聚焦的激光或电子束选择性地扫描表面，并将粉末颗粒熔化成每个连续层所需的形状，直到打印出3D部件。通过使用非常小直径的光束和微小的金属颗粒，可以打印出具有精细且紧密间隔特征的复杂零件。在DED中，粉末或电线从构建上方提供，而在PBF中，在每层熔合后添加薄薄的粉末层，通常比人的头发还细。这些金属打印工艺在热源功率、扫描速度、沉积速率、构建尺寸和其他重要属性方面也有所不同。

三种金属打印工艺的示意图。

本研究侧重于预测17-4PH不锈钢的各种力学性能，具体而言，这是基于构建样品的显微结构图像和AM零件拉伸试验获得的数据进行的。该模型采用人工神经网络形式的机器学习，而不是有限元模拟、导出的控制方程或机械模型。最后，本研究提出了各种力学性能属性的预测，而不是只关注其中一个属性，模型输出包括极限抗拉强度、屈服强度和断裂伸长率的预测值。

实验、数据收集和预处理

数据/样本采集
本研究中使用的一些数据是以微观结构图像和这些样品的相应力学性能的形式从先前发表的文献中收集的。收集了极限拉伸强度、屈服强度和断裂应变数据。如图1所示，研究中使用的图像旨在显示许多晶粒，以便准确地展示整个样品的可概括微观结构特征。这些微观结构特征，如晶粒尺寸分布、晶粒取向和晶粒形状，最终决定了样品的机械性能。例如，一种这样的关系是霍尔-佩奇效应，它显示了晶粒尺寸结果和屈服强度之间的相关性。基于可用于人工神经网络的微观结构信息，它迭代地导出类似关系，这些关系形成了预测微观结构特性的基础。

图1 所收集的说明颗粒形态的显微照片示例。

物理样品制备

实物样品来自两家公司：Digital Metal和Innovative 3D Manufacturing。总共测试了23个样品，其中8个来自Digital Metal，15个来自Innovative 3D Manufacturing。Digital Metal的样品采用粘结剂喷射法构建，并以平面方向构建（见图2）。Innovative 3D Manufacturing的样品使用基于点加热的AM工艺（Renishaw AM）构建，五个样品分别在平面、垂直和垂直方向构建（见图2）。

图2 构建方向示例。

在被测样品的尺寸切片上选择两个区域来检测微观组织形态:一个靠近夹持区，一个靠近断口，如图3所示。

图3 拉伸试样微观结构表征的斑点。

使用光学显微镜采集的图像如图4和图5。这两幅图像分别代表数字金属和创新3D制造的样品。此外，作为公司内部测试的结果，类似地获得了数字金属共享的55幅图像，该数据集的样本图像如图6所示。

图4 数字金属蚀刻样品图像。

图5 创新3D制造的蚀刻样品图像

图6 Digital Metal提供的蚀刻样品图像。

拉伸试验实验
本研究中的样品使用ASTM标准E8/E8M-16aϵ1进行机械拉伸试验。根据ASTM标准E8/E8M-16aϵ1，使用United Test Systems 10kN通用试验机测试样品。使用12.7 mm/min（0.5 inch/min）的应变率。使用伸长计跟踪前3%的工程应变，其余部分使用总握把位移和量规和握把截面的横截面积的关系进行计算。从拉伸测试系统的输出中获得每个测试样品的工程应力-应变曲线，然后转换为真实应力-应力曲线，以评估样品的机械性能。断裂应变将用作本工程中延性的度量。机械性能提取示例如图7所示。

图7 从应力-应变曲线中提取力学性能。

机械性能的数据驱动建模

晶粒形态特征提取

使用安装了斐济和MorphoLibJ插件的图像处理软件ImageJ对采集的图像进行处理。所有初始处理包括两个主要步骤：获得从像素转换为微米的比例因子，以及获得代表微观结构图像中晶粒边界的分水岭线。图像之间的处理参数变化很大，必须重复此过程才能获得精确的晶界图像。

对于非EBSD图像，使用“查找最大值”工具进行分割。该工具用于绘制特定区域的边界，这些区域的亮度值与其周围环境相差很大，足以超过允许的噪声容差。对于EBSD图像，使用了与MorphoLibJ插件不同的工具。

如图8所示，在对数标度（即log（σy− σ0）vs.log（d）），屈服强度log（σy− σ0）随着晶粒直径log（d）的增加而线性减小。因此，如果按对数比例均匀选择直方图中的粒径料仓，则每个料仓中由于霍尔-佩奇效应导致的屈服强度的预期降低将相同。该策略用于选择直方图仓。

图8 对数尺度下的Hall–Petch曲线和所选的粒度箱。

在图9中，通过对整个数据集中的颗粒进行计数，显示了颗粒尺寸直方图。

图9 整个数据集的直方图示例。

在图10中，比较了细长晶粒和近圆形晶粒。如图所示，这两个圆形特征对这两个晶粒表现出不同的值，因此提供了与晶粒尺寸直方图互补的晶粒形状信息。这些圆形特征与机械性能变化之间的相关性可以通过数据驱动模型来学习。总共，将为每个微观结构图像提取13个晶粒形态特征：晶粒落入11个晶粒直径直方图仓的概率、图像上所有晶粒的平均纵横比以及平均周长与直径比。

图10 圆形特征图解。

机械性能预测的神经网络

基于一组预测特征（粒度、纵横比等）构建数据驱动模型以预测目标量（机械性能）从根本上讲是一个回归问题，可以使用多种监督机器学习模型来完成。考虑到从文献和拉伸试验中获得的数据样本数量有限，通过将“晶粒形态特征提取”部分中提取的每个晶粒边界图像划分为一系列子图像来扩展数据集。在这项工作中，Levenberg–Marquardt算法被用于开发训练函数。当应用于非线性预测问题时，该算法很强，因此适合于此应用。

在实验了当隐藏节点的数量变化时UTS预测的性能之后，使用了具有55个节点的前馈神经网络。该网络在不过度拟合数据的情况下实现了合理的均方根误差（RMSE）。在5到140个节点之间以5个节点的增量对网络进行测试，当使用Levenberg–Marquardt算法时，发现性能在大约45到90个节点之间稳定，如图11所示。最终，选择了55个节点的值，因为它接近可靠一致的稳定区域的下端。这意味着使用55个节点的值可以产生一致的结果，而不会有过度拟合模型和损害性能的潜在危险。

图11 使用5–140个节点的网络性能。

结果和讨论

利用选定的神经网络结构、提取的特征和测量的（或从文献中提取的）力学性能，分别训练了极限抗拉强度（UTS）、屈服强度（YS）和断裂应变的三个预测模型。通过子图像裁剪增强的数据集被分成训练集和验证集。为了防止数据泄漏，数据集被物理样本分割，这意味着如果选择了“物理样本制备”部分中构建的样本进行验证，则来自该物理样本的所有子图像数据点将被放入验证集。因此，训练模型将在训练例程从未见过的额外制造样本的数据点上进行验证。约60%物理样本的数据点用于训练，其余40%样本的数据用于验证。

经训练的神经网络对UTS的预测结果如图11所示。从图12中可以看出，基于子图像预测的标准偏差形成的置信区间始终包含真实测量的UTS值（实心黑线），这提供了与UTS模型相关的不确定性的量化。值得注意的是，对于一些样本，置信区间似乎很宽。这主要是因为这些样品的微观结构不均匀，因此其裁剪的子图像显示出不同的晶粒形态，这使得子图像预测分散。然而，子图像的平均预测对局部变量不太敏感，因此始终接近真实UTS值。这就是为什么子图像预测应该被聚合以报告总体机械性能的原因。

图12 极限抗拉强度的神经网络预测。

UTS预测成功后，将相同的神经网络结构和训练方法应用于屈服强度预测。如图13所示，屈服强度预测的性能仍然相当好，尽管与UTS预测相比略有下降。

图13屈服强度的神经网络预测。

最后，断裂应变的预测如图14所示。断裂应变表示材料在拉伸应力下断裂的时间，从而测量材料的延性。断裂应变预测在训练集和验证集上都表现出良好的准确性。

图14 断裂应变的神经网络预测。

虽然以上结果都是基于具有单个隐藏层的前馈神经网络，但有许多可用于预测回归问题的监督机器学习技术。可以看出，线性回归模型的表现明显不如其他机器学习模型，因为它无法捕捉输入变量和最终材料特性之间的非线性。与神经网络相比，无论使用何种类型的核，支持向量机（SVM）建模都是不成功的，这表明SVM建模不是适用于此应用的策略。对于具有两个或三个隐藏层的神经网络，由于其隐藏节点的数量与基线模型大致相同，因此通过使网络更深，其性能没有明显改善。因此，具有单个隐藏层的神经网络（即基线模型）因其结构更简单而更可取。最后，随机森林模型在准确预测UTS方面也很强大，因为拥有100棵树的随机森林达到了与基线模型相同的RMSE水平。当应用于该数据集时，随机森林和神经网络策略都是成功的。鉴于当前数据的性质，随机森林可能是一个适用的模型。也就是说，在未来，随着更多的变量之间的关系更加复杂，模型中可能会包含更全面的图像数据，神经网络可能会被证明更具可扩展性。

一个具有温度梯度曲线的理想化 3D 熔池，用于生成 kMC 合成微观结构。

为SPPARKS动力学蒙特卡罗（kMC）仿真套件创建了一个用户子程序，以近似于AM处理期间局部热源的多次传递。该改编利用改进的波茨-蒙特卡罗法来模拟定向凝固过程中的晶粒生长。立方晶格上的一组站点组成了模拟域，其中每个站点都被分配了一个“自旋”，以标识其对该自旋标识的特定粒度的成员资格。相似和不同自旋的物理排列定义了模拟的晶粒结构和总能量。模拟时间以蒙特卡罗步长（MCS）表示。一个 MCS 对应于在每个晶格站点的每个邻居处尝试的蒙特卡罗自旋翻转。虽然很难定义与物理时间的确切关系，但它们是由一个常数因子相关的。局部热源使用规定的模式通过域进行栅格化。为了模拟熔化，当一个位点位于热源的“熔池”内时，它的自旋是随机的。再凝固和晶粒生长发生在熔池周围的热影响区（HAZ）中。细长的晶粒沿最大热梯度的方向生长，并产生具有扫描策略历史以及热源固有尺寸和形状的各向异性多晶微观结构。

结论
本文建立了基于微观结构属性的数据驱动模型，以预测通过增材制造构建的17-4H不锈钢材料的力学性能。预测基于三个来源的数据：内部拉伸测试和成像、现有文献以及增材制造公司Digital Metal和Innovative 3D manufacturing。通过利用从图像中导出的晶粒尺寸和形状特征，利用ANN导出所述特征与测试中观察到的拉伸性能之间的关系。

a四个合成微观结构的正交视图，每个通道的扫描方向都有指示，b对应的模拟参数。

三种不同拉伸性能的结果令人鼓舞。对于极限抗拉强度，该模型能够预测真实值的平均误差为30MPa（平均真实UTS值的3.1%）。对于屈服强度，该预测平均在真实值的33MPa以内（平均真实屈服强度值的4.5%）。最后，对于断裂强度，与真实值（真实FS的11%大小）相比，预测值与平均伸长率为0.7%的观察值相匹配。此外，所有预测都在量化的置信区间内。这些结果表明，所有建立的力学性能预测模型都具有实用的准确性和可靠性。

这种方法的关键优势在于模型的可推广性。通过在微观结构和性能之间形成联系，可以概括零件制造中使用的工艺。因此，该方法可以结合由多种方法（AM和传统方法）构建的样本数据，包括更广泛的制造工艺甚至可以提高其预测的准确性和可靠性。该程序还可适用于更广泛的金属，以获得类似的结果，或暴露于更多来源的数据，以提高预测能力。

来源：Data-Driven Modeling of Mechanical Properties for 17-4 PH Stainless Steel Built by Additive Manufacturing, Integrating Materials and Manufacturing Innovation, 10.1007/s40192-022-00261-8

参考文献：Bailey TJ (2001) Prediction of mechanical properties in steel heat treatment process using neural networks. Ironmak Steelmak 28(1):15–22. https://doi.org/10.1179/irs.2001.28.1.15