复杂高强度金属晶格结构激光增材制造的工艺-结构-性能多目标逆向优化

来源： 增材制造硕博联盟

增材制造（AM）已成为制造轻质高强度金属晶格结构的实用解决方案。工艺-结构参数的逆向优化以实现高性能和最小化试错实验提出了持续的挑战。南京航空航天大学顾冬冬教授团队在国际顶级期刊《Virtual and Physical Prototyping》上发表了使用物理增强数据驱动方法进行晶格结构增材制造的工艺-结构多目标逆向优化的最新研究成果。

研究提出了一种逆向优化方法来应对多个相互冲突的性能目标，包括增材制造约束下的机械性能和轻量化程度。为了追求更高的精度，开发了一种物理增强的数据驱动算法，即编码-刚度分析多任务高斯过程回归（encoding-stiffness-analysis multi-task Gaussian process regression, emGPR)），以精确分析工艺结构参数如何影响增材制造晶格结构的特性。关注公众号: 增材制造硕博联盟，免费获取海量增材资料，聚焦增材制造研究与工程应用！

图1. emGPR-mGA 激光增材制造逆优化方法流程图（encoding-stiffness-analysis multi-task Gaussian process regression, emGPR; multi-objective genetic algorithm, mGA)

作为一种新兴的增材制造机器学习方法，物理增强数据驱动算法由于物理信息提供的可解释性而表现出强大的拟合能力和外推性能。它已被用作多目标遗传算法中的代理模型，有助于参数的有效设计和目标空间的扩展。值得注意的是，预测结果与实验结果之间的偏差小于15%，有力地证实了该方法的可靠性。物理洞察力和数据驱动建模的融合为加速高效设计的开发带来了巨大的希望。

图2. 晶格结构的设计与激光增材制造成形

图3. (a)压缩曲线特征提取示意图；(b) NSGA-II算法示意图；(c) MBB 梁的多尺度拓扑优化

图4. (a)表征收敛性的SA算法的全局适应度曲线；(b) SA算法迭代过程中的局部适应度；(c)通过SA算法提取压缩曲线特征

该研究利用物理增强数据驱动算法将LPBF形成的BCC晶格结构的机械性能与其结构和工艺参数相关联。这项工作提出了编码刚度分析多任务高斯过程回归（emGPR）算法，该算法使用基于物理的均质化理论来提高外推性能。将emGPR作为代理模型引入多目标遗传算法（mGA）中，实现晶格结构轻量化和力学性能的逆优化。形成的实验结果表明，emGPR-mGA方法有效优化了多目标力学性能。这项工作的结果可总结如下：

（1）SA压缩曲线特征提取算法有效捕捉了压缩过程的弹性阶段，构建了低噪声、高质量的数据集。
（2）与bsGPR相比，emGPR由于其物理先验（均质化理论）和贝叶斯框架下的多任务协方差矩阵，表现出更好的抗噪声能力和更强的泛化能力（训练集K折交叉验证的MSE来源小于0.004，测试集的R2最高可达0.985）。此外，emGPR具有更强的外推性能，可以通过置信区间分析获得，受益于物理信息提供的可解释性。
（3）emGPR-mGA方法可以有效实现LPBF晶格结构和工艺参数的逆优化，将多目标空间超体积增加3.2倍。此外，该方法还揭示了一个有趣的现象：LPBF形成的小泡孔结构，尽管由于粉末粘附而导致结构重量偏差较大，但在相同轻量化程度下，与大泡孔结构相比，具有更好的机械性能。
（4）emGPR-mGA逆优化方法可以轻松扩展到其他工艺结构设计系统，将与主动学习相结合，自动指导结构设计和LPBF参数选择。这将显着减少迭代周期和实验成本，为未来LPBF工艺约束下复杂金属晶格结构的逆向设计铺平道路。