Data-Driven Scanning Pattern Selection for Multi-Layer Deposition in Laser Directed Energy Deposition via Deep Regression Method with Simulation Integration

技术摘要：基于深度回归方法与仿真集成的多层激光定向能量沉积数据驱动扫描路径选择研究

问题陈述
在激光定向能量沉积（LDED）过程中，多层沉积过程中的热积累会显著影响热场，从而导致不良的显微组织特征，如晶粒粗大、元素偏析和脆性相形成。虽然激光功率和速度等工艺参数会影响热传导，但扫描策略是一个关键因素，且在直接调整时常受限于设备限制。连续激光沉积（CLD）涉及连续的能量输入，这降低了冷却速率，减慢了凝固过程，并促进了大分枝树枝晶的生长以及合金元素的偏析。现有的优化沉积路径的方法（如实验试错法或启发式方法）效率低下，且难以快速预测复杂多层场景下的热场。

方法论
本研究提出了一种通过结合准连续波（QCW）工艺与深度回归算法来优化扫描路径的数据驱动方法，该方法被称为间隔脉冲激光沉积（IPLD）工艺。该方法由三个主要阶段组成：

1. 有限元仿真与数据集构建： 建立了一个多层有限元模型，用于模拟一个20层薄壁结构的热场。为确保泛化能力，仿真模型采用了随机位置模式，由三个初始单道沉积层组成，每层包含33个沉积位置，共生成了1,000个仿真结果。模型假设为一个薄壁结构，其中沉积过程中的形状变化不会显著改变热变化，而是侧重于相邻层对热量的影响。
2. 深度回归模型开发： 开发了一个基于跳跃连接三维卷积自编码器（SC-3DCAE）的深度回归模型。该架构受 U-net 启发，利用跳跃连接和三维卷积来提取由不同沉积模式引起的热分布变化特征。模型在仿真热场数据集（训练集与测试集比例为3:1）上进行训练，用以预测任意模式下的热场。经过3,000个轮次（epochs）后，模型实现了低于0.01的归一化均方误差（nMSE）和97.55%的准确率。
3. 模式优化与验证： 利用训练好的模型快速筛选随机沉积模式，以识别能够使冷却速率最大化的模式。采用逐步选择法：首先确定前三层的最优模式，然后将最后两层作为下一次迭代的初始输入，循环往复直至定义完所有20层。实施了具有50%交错比的“砌砖式”重叠策略，以防止出现间隙并确保层间融合。通过在Inconel 718基底上沉积DD5合金，对优化的IPLD工艺进行了实验验证，并将结果与传统的CLD进行了对比。

核心贡献

• QCW与深度学习的集成： 本研究引入了一种结合QCW工艺离散沉积区与深度回归算法（SC-3DCAE）的新型扫描路径选择方法，旨在克服连续能量输入的局限性。
• 快速热场预测： 开发的SC-3DCAE模型能够实现毫秒级的任意多层沉积模式热场预测，绕过了为每个候选模式进行高昂计算成本的有限元仿真。
• 系统性的显微组织分析： 研究通过电子背散射衍射（EBSD）、扫描电子显微镜（SEM）和电子探针显微分析（EPMA）技术，对IPLD和CLD工艺进行了全面的比较，分析了晶粒取向、枝晶间距、沉淀物尺寸及元素偏析。

结果
实验和仿真结果表明，IPLD工艺在控制热积累和显微组织方面显著优于CLD工艺：

• 热与显微组织特征： CLD工艺的冷却速率从底部区域的约3,500 K/s下降到1,500 K/s，并在稳定的中间区域降至250 K/s。相比之下，IPLD工艺保持了显著更高的冷却速率，底部区域范围为3,500 K/s至7,000 K/s，中间区域为1,100 K/s至2,000 K/s。因此，与CLD样品中因热积累导致的显著晶粒粗大相比，IPLD样品表现出更细小的柱状晶，具有更强的<001>取向和更小的晶粒宽度。
• 枝晶与沉淀物细化： IPLD工艺产生了更小的初生枝晶间距和发育程度较低的二次枝晶臂。IPLD样品中大尺寸碳化物（>0.8 μm）的比例仅为2%，而CLD样品为11.2%。
• 机械性能： 拉伸测试显示，虽然抗拉强度相当（IPLD为896 MPa，CLD为891 MPa），但IPLD样品的延伸率显著更高，达到34.7%，而CLD为29.9%。断口分析表明，IPDL样品具有更小的断裂韧窝和更少的孔洞，表明其应力分布更均匀，延展性更好。
• 元素偏析： 使用Scheil凝固模型的仿真证实，IPLD较高的凝固速率减少了Nb、Ti和Ta等元素在枝晶间区域的偏析，从而导致产生更小且更多数量的碳化物沉淀物，而非大型有害沉淀物。

意义
论文声称，由数据驱动扫描路径优化的IPLD工艺，为提高LDED大型构件的沉积质量提供了一个可行的研究方向。通过调节扫描路径而非仅仅依赖工艺参数，该方法实现了高冷却速率和低热积累，有效控制了晶粒尺寸、取向及沉淀物分布。研究表明，这种方法对于沉积单晶或多晶高温合金特别有价值，因为在这些材料中，热管理对于防止缺陷和确保机械完整性至关重要。深度回归与仿真的集成提供了一个可扩展的快速模式优化框架，解决了传统多层热建模相关的计算瓶颈问题。