第一作者：王皞
通讯作者：王皞，Aijun Huang，Lai-Chang Zhang，Daolun Chen
通讯单位：上海理工大学
DOI: 10.1016/j.jmst.2024.01.086
增材制造以其制造复杂几何形状和内部结构的能力，广泛应用于生物医学和航空航天等领域。然而，由于存在随机缺陷和各向异性，增材制造部件的疲劳性能预测仍面临挑战。本工作综述了通过机器学习模型预测增材制造金属材料疲劳寿命预测的最新进展。
增材制造通过逐层增加材料来构造部件且拥有制造复杂几何形状和内部结构的能力，是一种快速、灵活且生态友好的技术。但在当前的工艺条件下，仍难以避免孔洞、未熔合等冶金缺陷，这给打印态金属材料的疲劳性能预测带来困难。随着大数据和人工智能的快速发展，作为人工智能的一个分支，机器学习的出现有望为增材制造金属材料的疲劳预测提供新的视角。
传统方法在增材制造金属材料疲劳寿命预测中存在诸多挑战。本文综述了不同机器学习模型在增材制造金属材料疲劳寿命预测中的应用，探讨了影响疲劳寿命预测的关键因素，揭示了疲劳寿命与缺陷、微观结构及工艺参数的关系，并提出了相关改进预测性能的建议。
图1. 1 用于增材制造部件性能预测的机器学习模型双向流程图。
图1. 2 增材制造金属材料疲劳应力与疲劳寿命的关系。（a）铝合金；（b）钢；（c）钛合金。
图1. 3 不同机器学习模型预测增材制造金属材料疲劳寿命的文献数量。（a）文献包含某种模型；（b）文献仅使用某种模型。
图1. 4 不同机器学习模型利用物理知识的比例
本工作回顾了增材制造金属材料疲劳寿命预测中常见的机器学习模型，并强调了物理知识在小数据集情况下的重要性。主要结论包括：
（1）机器学习模型可以显著提高钛合金、铝合金、钢和镍基合金等增材制造金属材料的疲劳寿命预测能力。尤其是在数据集较小且稀疏时，依然能够提供有效的预测结果。
（2）数据集大小和质量对数据驱动的机器学习模型疲劳预测精度至关重要。为了扩展和优化数据集，可以采用生成对抗网络、连续介质损伤力学、蒙特卡罗模拟和有限元模拟等方法。
（3）超参数选择对机器学习模型的疲劳预测性能有重要影响。例如，人工神经网络的隐藏层数和神经元数量、支持向量机回归的惩罚因子和核函数、随机森林的树的数量和最大深度等。
（4）融入物理知识可有效解决机器学习模型“黑箱”问题。特别是在模型构建、算法学习、样本输出和数据观察等方面，可以提升机器学习模型的透明度、可解释性和预测精度。
王皞，中国科学院金属研究所，研究员/PI，曾任上海理工大学材料学院特聘教授/PI，增材制造研究院院长。本科毕业于南京大学，博士毕业于中国科学院金属研究所。长期从事金属结构材料研究，建立了面向钛基合金等先进结构材料的集成计算和数据平台以及增材制造全流程仿真平台，开展合金成分、微观机理、显微组织、成型工艺等多尺度计算模拟和实验研究，为合金设计、性能预测、工艺优化和产品评价提供理论和方法支撑。担任中国材料学会计算材料学分会委员、中国计算机学会高性能计算/大数据/虚拟现实与可视化技术专委会委员、上海市增材制造标准化委员会委员、九三学社上海市委上海制造专门委员会委员、中广核苏州热工院特聘高级技术顾问、Scientific Reports编委、MGE Advances青年编委、金属学报青年编委；主持国家和省部级项目20余项；在Science、Nature Mater、Acta Mater等期刊发表SCI论文120余篇，高被引论文2篇，软件著作权登记6项，授权专利4项；入选辽宁省百千万人才工程千人层次、中科院青促会、沈阳市高层次人才拔尖人才。
高帅龙，北京理工大学在读博士研究生，硕士毕业于上海理工大学，研究方向增材制造+机器学习+性能预测（力学和电磁隐身性能）。截至目前，已在Journal of Materials Science & Technology、Chemical Engineering Journal、Composites Part B、Metals等期刊发表SCI论文8篇。参加过中国材料大会、第六届材料基因工程高层论坛、人工智能驱动下的增材创新智造等学术会议，并获得2023年中国材料大会Z-材料模拟、计算与设计分会学术墙报优秀奖，2024年上海市/上海理工大学优秀毕业生称号。
H. Wang, S.L. Gao, B.T. Wang, Y.T. Ma, Z.J. Guo, K. Zhang, Y. Yang, X.Z. Yue, J. Hou, H.J. Huang, G.P. Xu, S.J. Li, A.H. Feng, C.Y. Teng, A.J. Huang, L.-C. Zhang, D.L. Chen, Recent advances in machine learning-assisted fatigue life prediction of additive manufactured metallic materials: A review, J. Mater. Sci. Technol. 198 (2024) 111-136.
