技术摘要：基于机器学习的熔池控制熔池模型用于激光定向能量沉积

问题陈述

激光定向能量沉积（DED-LB）是金属增材制造（AM）中的一项关键技术，特别是在部件修复和复杂几何形状制造领域。然而，其广泛应用受到动态过程控制（特别是热积累问题）的阻碍。采用恒定工艺参数（如固定激光功率）会导致显著的热变形、残余应力升高以及基板开裂。虽然目前已存在数值方法和控制器来优化参数，但传统方法通常依赖于迭代式离线优化或依赖于特定参数的控制器，这些方法缺乏对新扫描序列或环境变化的适应能力。此外，在如何高效计算最优工艺参数并快速适应新场景以确保几何精度和重复性方面，仍存在框架性的空白。

方法论

作者提出了一种创新的策略，将机器学习（ML）模型作为代理控制器，并与有限元（FE）求解器相结合，以实现运行时的过程控制。该方法分为两个不同的阶段执行：

1. 离线优化与数据生成

• 仿真框架： 使用内部多物理场软件 FEMUSS 进行高保真（HF）热分析。通过将模型针对 Ti6Al4V 薄壁沉积的实验数据进行校准，最小化测量值与模拟热剖面之间的误差，从而确定传热系数（HTC）。
• 后验优化： 通过迭代式离线循环调整激光功率供给，以维持用户定义的靶向熔池穿透深度（$D_{target} = 0.40$ mm）。选择该目标值是为了确保在前一层基础上进行重熔（防止分层），同时最大限度地减少未熔合现象。
• 控制逻辑： 采用比例反馈控制方法（$K_p$），根据观测到的穿透深度与目标深度之间的差异，迭代地修正功率供给。这一过程生成了一组优化的功率剖面及相应的热学/几何特征数据集。

2. 机器学习模型开发

• 数据集构建： 利用 42 个涉及薄壁（10–110 mm）单向和双向扫描序列的模拟案例生成合成数据。
• 特征选择： 通过 Spearman 秩相关分析识别了关键输入特征，包括最高温度、熔池温度、脉冲温度、下一区域温度、熔池体积和穿透深度。其中“下一区域穿透深度”被预设为目标值（0.40 mm），以作为训练期间的安全保障。
• 架构设计： 使用基于贝叶斯超参数调优（通过 Keras）的回归人工神经网络（R-ANN）进行设计。最优架构包含一个具有 15 个神经元的隐藏层、ReLU 激活函数，并使用平均绝对误差（MAE）作为损失函数。模型使用 Adam 优化器进行训练，并引入早停机制以防止过拟合。
• 闭环集成： 训练好的 ML 模型与 FE 求解器集成在闭环系统中。在运行时，求解器向 ML 模型提供当前的的热学和几何状态，模型则瞬时预测用于维持目标穿透深度的修正激光功率。

核心贡献

1. 快速代理控制： 该框架能在单次迭代中推导出可变激光功率剖面，确保恒定的熔池穿透深度，消除了对迭代式离线优化或实验试错法的需求。
2. 计算效率： 基于 ML 的方法比离线优化方法快约 3 倍（例如，将薄壁的计算时间从约 40 小时缩短至约 12 小时）。
3. 泛化能力： 该模型成功预测了未包含在训练集中的扫描序列（空心立方体和填充分区立方体）的最优功率剖面，展示了强大的鲁棒泛化能力。
4. 热管理： 系统有效地生成了必要的功率削减，以最小化热积累，并在不同几何形状下保持一致的熔池形貌（深度和长度）。
5. 特征可解释性： 通过 SHAP（SHapley Additive exPlanations）分析，研究量化了输入特征的重要性，揭示了热学特征（基板温度、熔池长度）在影响功率预测方面起着至关重要的作用，其重要性往往超过几何特征。

结果

通过三个数值示例（单向薄壁、空心立方体沉积和填充分区立方体沉积）评估了 ML 代理控制器的性能，并将其与恒定功率供给和离线优化策略进行了对比。

• 穿透深度稳定性：
  • 恒定功率： 穿透深度失控增长。
  • 离线优化： 在空心立方体案例中，98.51% 的穿透深度值落在目标窗口内（0.38–0.42 mm）。
  • ML 代理： 在空心立方体案例中，91.77% 的值落在目标窗口内；在填充分区立方体案例中，该比例为 87.68%。
• 熔池长度： ML 控制器使熔池长度维持在目标范围内（3.18–3.55 mm），其达标率分别为 82.81%（空心）和 87.54%（填充），在某些指标上甚至超过了离线优化。
• 误差指标： 在一个未见的验证案例（圆柱体）上，与离线优化后的功率剖面相比，ML 模型的平均绝对误差（MAE）为 100.4 W，平均绝对百分比误差（MAPE）为 5.55%。
• 热剖面： 与恒定功率相比，离线优化和 ML 策略均显著降低了热积累，且 ML 策略在扫描起始阶段表现出更平滑的温度过渡。

意义

本文声称该工作为金属增材制造过程的精确且可扩展控制提供了一个稳健的框架。通过将 ML 代理与 FE 求解器耦合，该系统实现了自主运行时控制，能够适应动态热条件而无需人工干预。其对未见扫描序列的泛化能力表明，该方法可以作为快速原型制造和复杂结构件制造的可靠工具，显著降低与参数优化相关的时间和成本。作者指出，虽然目前的模型使用的是回归网络，但未来的工作将研究循环神经网络（RNN），以更好地捕捉时间序列数据中的时间依赖性，从而实现更具响应性的控制。