2026年5月,南極熊獲悉,韓國浦項科技大學和韓國材料科學研究院(KIMS)的研究人員開發了一種基于人工智能的分析框架,即使存在內部缺陷,也能在幾秒鐘內預測金屬3D打印部件的機械強度。
![]()
△相關研究成果已發表在國際材料科學期刊《Acta Materialia》上,研究題目為“基于數據選擇性的機器學習框架(DSML)用于預測LPBF成型AlSi10Mg合金的缺陷感知、可解釋的屈服強度”(傳送門)
這項研究由浦項科技大學鐵質與生態材料技術研究生院及材料科學與工程系的Kim Hyeong-seop教授領導,并與KIMS的高級研究員Park Jung-min合作完成。
![]()
△Park Jung-min、項目學生Lee Jeong-ah,以及Kim Hyeong-seop
金屬增材制造中的缺陷問題
激光粉末床熔融(LPBF)工藝中的層疊過程經常會產生微小的、氣泡狀的內部空隙,這些空隙可能成為飛機發動機或汽車組件等高要求應用部件的關鍵薄弱環節。然而,要量化這些空隙對結構強度的影響,需要進行大量且成本高昂的重復測試。
研究團隊并沒有試圖消除缺陷,而是訓練人工智能與缺陷協同工作。該模型接收了一個涵蓋制造參數(包括激光功率和掃描速度)以及內部微觀結構數據、孔隙尺寸和空間分布等信息的廣泛數據集。
然后應用一種稱為“數據選擇性學習”的技術來識別對強度影響最大的變量,從而提高預測準確性。
![]()
△DSML框架示意圖:融合工藝參數與微觀結構數據,實現可解釋的屈服強度預測,并經實驗驗證
結果可解釋且準確度已驗證
此框架的一個顯著特點是,它能夠在做出預測的同時生成人類可讀的方程式,而不是像黑箱一樣運行。
對廣泛用于航空航天和汽車行業的鋁硅鎂 (Al-Si-Mg) 合金進行的驗證測試表明,強度預測的平均誤差為 9.51 兆帕 (MPa),該團隊表示,這一結果比現有方法準確四倍以上。
研究人員表示,這個框架可以擴展到缺陷感知設計圖,使工程師能夠更深入地了解組件性能如何隨制造條件的變化而變化。
Kim Hyeong-seop教授總結道:“這項技術將提高金屬3D打印部件的可靠性,大大加快它在航空航天和汽車等領域的商業化進程。”
重點3D打印活動通知預告
①
②
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.