Active Learning-Driven Surrogate Modeling for Fatigue LifePrediction of LPBF Hastelloy-X Using Defect-Informed FiniteElement Analysis

Resumen Técnico: Modelado de Sustitutos Impulsado por Aprendizaje Activo para la Predicción de la Vida a la Fatiga de Hastelloy-X mediante LPBF

Planteamiento del Problema
El Hastelloy-X fabricado mediante adición de capas de polvo mediante láser (LPBF) exhibe un comportamiento a la fatiga altamente sensible a los defectos inducidos por el proceso, incluyendo la rugosidad superficial, la porosidad subsuperficial y la orientación de construcción. Los enfoques existentes de predicción de vida suelen tratar estos factores de forma independiente, dependen de extensos conjuntos de datos experimentales y no logran contabilizar las complejas interacciones no lineales entre los defectos y las condiciones de carga termomecánica. Además, los modelos de aprendizaje automático puramente basados en datos suelen sufrir de una capacidad de extrapolación deficiente y una falta de cuantificación de la incertidumbre, mientras que los modelos empíricos clásicos (por ejemplo, Coffin-Manson-Basquin) requieren conjuntos de parámetros separados para cada combinación de material, orientación y temperatura, lo que los hace ineficientes para el vasto espacio de diseño de los componentes de LPBF. La carga experimental para caracterizar la fatiga a través de múltiples amplitudes de deformación, temperaturas (hasta 750 °C) y orientaciones es prohibitivamente alta, requiriendo a menudo cientos de especímenes.

Metodología
Los autores proponen un marco híbrido informado por defectos que integra el modelado basado en la física, el Análisis de Elementos Finitos (FEA) de alta fidelidad y el aprendizaje activo de Procesos Gaussianos (GP) con eficiencia de datos. La metodología consta de tres componentes principales:

1. Modelo de Deformación-Vida Unificado Sensible a Defectos (UDSL):
   Se desarrolló un modelo analítico informado por la física para predecir la vida a la fatiga controlada por deformación ($N_f$) a través de un amplio espacio de diseño. A diferencia de las regresiones polinómicas arbitrarias, el modelo UDSL deriva términos de mecanismos físicos específicos:

• Ley de Potencia Deformación-Vida: Relaciones generalizadas de Basquin/Coffin-Manson.
• Rugosidad como una Muesca Distribuida: Modelada mediante un término logarítmico basado en la sensibilidad de muesca de Peterson, vinculando la rugosidad aritmética media ($R_a$) con la concentración de esfuerzo efectiva.
• Geometría de Orientación: Un término que contabiliza el "efecto escalera" dependiente del ángulo de construcción ($\theta$).
• Escalamiento de Temperatura Homóloga: Normaliza la temperatura respecto al punto de fusión ($T_m = 1628$ K) para capturar la deformación activada térmicamente.
• Interacción Deformación-Temperatura: Términos cruzados que capturan el cambio de la dominancia elástica a la plástica a temperaturas elevadas.
  El modelo fue calibrado utilizando solo 19 puntos de datos de una sola condición (27 °C, orientación horizontal) y validado contra un conjunto exhaustivo de 440 puntos.

2. Análisis de Elementos Finitos (FEA) Informado por Defectos:
   Se realizaron simulaciones 3D de alta fidelidad en Abaqus para cuantificar los factores de concentración de esfuerzos ($K_t$) y las interacciones de defectos:

• Rugosidad Superficial: Se generaron superficies realistas de LPBF mediante síntesis de Fourier para calcular $K_t$, validando los coef coeficientes de rugosidad en el modelo UDSL.
• Porosidad y Crecimiento de Vacíos: Los modelos de plasticidad porosa de Gurson-Tvergaard-Needleman (GTN) demostraron un crecimiento significativo de vacíos (amplificación de 7.3 veces) bajo deformación plástica, justificando la inclusión de términos de interacción porosidad-deformación.
• Interacción Combinada de Defectos: Las simulaciones de poros subsuperficiales ubicados debajo de los valles de la superficie rugosa revelaron un efecto de acoplamiento sub-aditivo. La concentración de esfuerzos combinada fue menor que la suma de los efectos individuales, lo que llevó a una formulación de interacción generalizada con un coeficiente de interacción calibrado ($\rho = 0.329$).

3. Sustituto de Proceso Gaussiano (GP) con Aprendizaje Activo:
   Para abordar la escasez de datos y proporcionar la cuantificación de la incertidumbre, se entrenó un sustituto GP basado en características informadas por la física derivadas del modelo UDSL y los resultados de FEA (por ejemplo, temperatura homóloga, deformación efectiva, factores de concentración de esfuerzos). Se empleó una estrategia de aprendizaje activo (AL), seleccionando iterativamente los puntos experimentales más informativos basados en la máxima varianza predictiva. Este enfoque tenía como objetivo minimizar el número de pruebas de fatiga requeridas mientras se maximizaba la precisión del modelo.

Resultados Clave

• Hallazgos Experimentales: La vida a la fatiga disminuyó monótonamente con la temperatura, cayendo casi dos órdenes de magnitud entre 27 °C y 750 °C. Se observó un ranking consistente dependiente de la orientación: Horizontal > 45° > Vertical. La rugosidad superficial fue identificada como el factor dominante que gobierna esta anisotropía, mientras que la porosidad volumétrica no mostró una correlación sistemática con la vida a la fatiga bajo las condiciones superficiales probadas.
• Desempeño del Modelo UDSL: El modelo UDSL de 8 parámetros alcanzó un $R^2$ de 0.984 y un Error Cuadrático Medio (RMSE) de 0.131 (en $\log_{10} N_f$) en el conjunto completo de 440 puntos. Predijo el 97.7% de los datos dentro de un factor de dos de la vida experimental. Crucialmente, esta precisión se logró utilizando solo 19 puntos de calibración, lo que representa una reducción de >95% en los requisitos de datos experimentales en comparación con los métodos de calibración convencionales.
• Perspectivas de FEA: El FEA confirmó que la interacción entre la rugosidad superficial y la porosidad subsuperficial es sub-aditiva. La concentración de esfuerzos combinada ($K_t \approx 2.85$) fue significativamente menor que la predicción multiplicativa, proporcionando una base menos conservadora y más precisa para el diseño.
• Eficiencia del Aprendizaje Activo: El sustituto GP, entrenado con características informadas por la física, alcanzó la misma precisión predictiva ($R^2 = 0.984$) que el modelo UDSL utilizando solo 20 puntos de entrenamiento seleccionados activamente. Esto representa una mejora de 2.5 veces en la eficiencia de datos en comparación con el muestreo aleatorio, que requirió aproximadamente 50 puntos para lograr una precisión similar.
• Cuantificación de la Incertidumbre: El marco GP proporcionó estimaciones de incertidumbre bien calibradas, con intervalos de confianza nominales del 95% que capturaron el 94.2% de los datos de validación. Esto permite la toma de decisiones informada por el riesgo y la planificación de pruebas dirigida.

Significancia y Reivindicaciones
El artículo afirma abordar tres brechas críticas en el estado del arte actual:

1. Modelado de Defectos Acoplados: Es el primer modelo que contabiliza simultánea y cuantitativamente los efectos acoplados de la rugosidad superficial, la porosidad subsuperficial, la orientación de construcción y la temperatura en la vida a la fatiga de Hastelloy-X mediante LPBF.
2. Caracterización de la Interacción de Defectos: Proporciona la primera caracterización de alta fidelidad mediante FEA del campo de esfuerzos de interacción entre la rugosidad y la porosidad, estableciendo una regla de interacción sub-aditiva en lugar de asumir efectos aditivos o independientes.
3. Marco Integrado: Demuestra un marco práctico que integra el modelado basado en la física, la simulación informada por defectos y el aprendizaje activo con eficiencia de datos.

Los autores afirman que este enfoque reduce la carga experimental en más del 95% manteniendo una alta fidelidad predictiva y proporcionando una incertidumbre calibrada. La integración de la interpretabilidad física (vía UDSL), la sensibilidad a los defectos (vía FEA) y la cuantificación de la incertidumbre (vía GP) ofrece una vía escalable para la calificación de componentes de LPBF en aplicaciones de alta temperatura y seguridad crítica. El estudio concluye que, mientras que el modelo UDSL destaca en la extrapolación e interpretabilidad, el marco GP+AL ofrece una superior adaptabilidad para la evaluación probabilística y la planificación de pruebas adaptativas, siendo ambos enfoques complementarios en lugar de competidores.