重磅！3D打印Ti-6Al-4V合金登顶《Science》!

来源：材料学网

导读：多孔性缺陷是目前阻碍激光金属增材制造技术广泛采用的主要因素。当输入过多的激光能量而形成不稳定的蒸汽凹陷区(锁孔)时，就会出现常见的孔隙。本文通过同时高速同步x射线成像和热成像，再加上多物理场模拟，在Ti-6Al-4V激光粉末床融合中发现了两种类型的小孔振荡。利用机器学习，开发了一种检测随机小孔孔隙生成事件的方法，该方法具有亚毫秒级的时间分辨率和近乎完美的预测率。通过操作x射线成像实现的高度精确的数据标记，使其能够展示一种能够在在商业系统中使用的简单实用的方法。

经过30多年的深入研究和开发，激光粉末床聚变（LPBF）已经从一种方便的快速原型工具发展到一种用于生产耐用金属部件的制造技术。尽管一些行业现在完全接受LPBF，但其他行业在将其融入产品线时对质量控制更加谨慎。作为一种主要的金属增材制造（AM）技术，LPBF能够制造具有复杂几何形状和精细特征的零件。然而，在LPBF作为一种颠覆性制造技术发挥其全部潜力之前，仍需要克服一些技术障碍。在典型的LPBF工艺中，使用高功率激光束局部熔化和固结金属粉末，以逐层形成三维（3D）物体。打印过程中所涉及的极端热条件会触发瞬态现象和复杂的结构动力学。它们的相互作用常常导致结构缺陷，如孔隙度。一种常见的孔隙度是由蒸汽凹陷区的瞬时坍塌引起的，称为锁孔孔隙度。

在过量激光能量输入（高功率和慢扫描速度）的条件下，金属汽化施加反冲压力，将熔池表面推下，形成一个狭窄而深的匙孔，在匙孔中发生多次激光反射和吸收事件。尽管这增加了金属的整体激光吸收，并通过提高能量效率和增加构建速率而有利于制造过程，但匙孔壁上的不均匀激光吸收会产生局部热点，并导致反冲压力、蒸汽动态压力、毛细管力和Marangoni力之间的不平衡。在不稳定的匙孔条件下，气泡会夹离锁孔尖端，当气泡被前进的凝固前沿捕获时，一些气泡最终会成为孔隙缺陷。对于给定材料的LPBF，功率速度（P-V）过程图中的不稳定锁孔区可以用很小的不确定性来定义。将初始激光参数设置在不稳定的锁孔区域外有助于减轻锁孔孔隙率的产生。然而，LPBF中涉及的多个因素仍然可以抵消激光熔化模式，并产生容易产生匙孔气孔的条件，例如激光光斑大小、功率和扫描速度的漂移，以及导致局部过热的扫描策略。因此，即使初始机器设置为打印特定材料而优化，零件中仍可能存在锁孔孔隙。

LPBF中匙孔生成的实时检测不仅对于促进构建后部件的鉴定和问询，而且对于开发能够预测构建过程中局部变化需求的闭环控制系统也是至关重要的。光学和声学传感器通常被用作过程监测器，并且已经开发了数据分析方法来将过程特征与孔隙率相关联。尽管学界取得了一些成功，特别是在机器学习的应用中，用于区分容易出现孔隙的条件和正常条件，但在局部和瞬间检测锁孔的产生仍然具有挑战性。这个问题是因为匙孔产生的随机性除了加工参数漂移的明显原因之外，还有其他物理根源。在不稳定匙孔条件下的激光扫描过程中，气泡形成的确切位置是随机的，哪些气泡最终将成为孔隙缺陷，哪些气泡将被锁孔重新捕获并消失，这是不确定的。
在此，美国弗吉尼亚大学的Tao Sun教授联合卡内基梅隆大学Anthony D. Rollett利用同步高速同步辐射X射线和热成像，发现了Ti-6Al-4V在不稳定小孔条件下的两种小孔振荡模式。通过整合实验数据、多物理场模拟和机器学习，开发了一种检测匙孔生成的方法。该方法利用从匙孔区域发出的热信号来预测孔隙生成，LPBF过程的X射线图像为校准和验证理论模型以及训练机器学习算法提供了丰富的数据基础事实，并以亚毫秒的时间分辨率对粉末床和裸露基底样品实现了近乎完美的检测精度。相关研究成果以题“Machine learning–aided real-time detection of keyhole pore generation in laser powder bed fusion”发表在学术顶刊Science上。

链接： https://www.science.org/doi/10.1126/science.add4667

在阿贡国家实验室高级光子源的32-ID-B束线进行了操作性实验（图1A）。高能x射线穿过单层粉末床或裸露基底样品，以揭示地下结构动力学，设置了一个热摄像机，以采集熔池的倾斜俯视图。高斯分布和波长为1070nm的连续波模光纤激光器以不同的功率和速度沿单个直线扫描样品。收集了来自单线熔化事件的全场x射线图像（图1C），空间分辨率为2至3 mm/像素，时间分辨率为0.1 ns至7.5 ms，帧速率为50 kHz至1.08 MHz。同时，收集了可见光至红外光谱范围内熔体轨迹的热图像（图1B），视角为38°至58°，空间分辨率为5至30 mm/像素，时间分辨率为0.3至5 ms，帧速率为50至200 kHz。

通过设置阈值，从锁眼区域提取了平均发光强度，这将2D光学图像浓缩为1D图（图1D）。这种数据压缩可以大大减轻实时监控中计算机存储的负担，因为高分辨率图像可以立即用相机芯片处理。同时，1D时间序列信号有助于识别与锁眼动力学相关的频率相关特征。对分割的1D数据集进行小波分析，以创建尺度图（图1E），这揭示了时域中局部化的特征振荡。将操作性x射线成像结果标记为“孔隙”和“非孔隙”的短窗口尺度图输入卷积神经网络（CNN），用于预测锁眼孔隙生成事件（图1F和图S3）。

图1 LPBF中实时锁孔孔隙率检测

（A）Ti-6Al-4V扫描激光熔化同步同步x射线和热成像实验示意图。（B）代表性角度俯视热图像。（C）代表性侧视图x射线图像。（D）从热图像序列中提取的来自锁眼区域的平均发射强度的典型时间序列信号[（B），虚线椭圆]。（E）对（D）中的时间序列信号进行小波分析。比例图被分成几个窗口，然后根据操作性x射线成像结果标记为“非孔隙”或“孔隙”。（F）以分段尺度图作为输入数据的机器学习方法。使用了CNN，它由一系列交替的卷积和池化层以及最终层组成。每个卷积层使用从训练模型学习的滤波器从其前一层提取特征，以形成特征图。然后，池化层对特征图进行下采样，以减少要学习的参数数量。CNN的最后一层将输入比例图分类为“非孔隙”或“孔隙”。

图2 Ti-6Al-4V中的固有和微扰锁孔振荡

（A）没有产生锁孔的固有锁孔振荡的兆赫x射线图像。（B）产生锁孔的微扰锁孔振荡的兆赫x射线图像。（C）固有锁孔振荡的热图像。（D）本征锁孔振荡的高速x射线图像和相应的多物理模拟。（E）从（C）中的热图像序列中提取的钥匙孔周围的平均发光强度的时间序列信号。（F）与（E）中的时间序列信号相对应的比例图。（G）微扰锁孔振荡的热图像。（H）微扰锁孔振荡的高速x射线图像和相应的多物理模拟。（I） 从（G）中的热图像序列中提取的钥匙孔周围的平均发光强度的时间序列信号。（J）与（I）中的时间序列信号相对应的尺度图。激光功率和速度分别为200W和400mm/s。（E）和（I）中的颜色标记指示具有（C）、（D）、（G）和（H）中所示的相应帧的数据点，这些帧具有相同颜色的边界。

图3 数据错误标记对预测率的影响

（A）锁孔的原位标记时间t1示意图，即气泡挤压锁孔的瞬间。（B）图示（A）中标记的同一孔隙的原位标记时间t2，即与最终孔隙位置相对应的人工力矩。（C）粉末床和平板样品的实验和模拟数据的原位标记时间t2与原位标记时间t1的函数。线性回归用黑色虚线表示。由于t1和t2（~0.02 ms）的不确定性远小于所考虑的时间尺度，因此该图中未显示误差条。（D）机器学习预测精度的等值线图是误标率和标度图窗口长度的函数。错误标记率的变量是通过在训练数据中随机分配一定比例的比例图作为原位标记的反向标记来创建的。（E）原位、异位和校准异位标记的标度图窗口长度函数的误标记率。（F）相应的机器学习预测精度是尺度图窗口长度的函数。（E）和（F）中的误差条是10次重复训练的标准差，表示将训练数据划分为训练集和验证集的随机性。

本文描述的研究结果突出了操作性同步辐射x射线成像实验的有利特征。它不仅为校准多物理模型提供了关键信息，还能够发现与锁孔孔隙度相关的独特锁孔振荡行为。定量的理解为机器学习模型奠定了基础，该模型可以从热成像中检测锁孔的形成。利用操作性x射线成像获得的地面真相，该方法能够以100%的准确度和亚毫秒的时间分辨率检测粉末床样品中锁孔的生成。对于那些使用同步加速器有限或无法使用同步加速器的人来说，这种方法可以通过两种方式很容易地应用于LPBF系统，如前所述。离轴检测方案和仅对1D数据序列的需求对于没有预安装同轴成像光学器件或高性能计算硬件的现有LPBF系统可能特别方便。通过检查锁孔和熔池的振荡行为来检测构建异常的策略是通用和实用的。基于这一核心概念的过程监控系统将促进金属AM零件的鉴定和认证。