在金属零件的增材制造中，准确预测极端变化的温度场并将其与结构和性能定量关联的能力是预测零件性能和优化工艺设计的关键步骤。在这项工作中，定向能沉积（DED）过程的有限元模拟用于预测Inconel 718壁多层构建过程中的空间和时间相关温度场。热模型结果与在DED构建过程中现场捕获的动态红外图像显示出良好的一致性。研究了预测冷却速率、微观结构特征和机械性能之间的关系，发现仅冷却速率不足以给出定量性能预测。使用模拟热历史数据，可以获得非常好的材料性能预测，特别是极限抗拉强度。为了进一步解释卷积神经网络预测，可视化了每个卷积层上产生的提取特征，并比较了高极限抗拉强度和低极限抗拉强度情况下热历史的卷积神经网检测特征。
介绍
金属增材制造（AM）是一种可用于逐层构建零件的技术，与传统制造技术相比，允许制造具有更复杂几何形状的零件，并降低成本。定向能量沉积（DED）是一种流行的金属增材制造工艺，其中金属粉末由一个或多个喷嘴输送。集中热源，使用诸如激光的激光来局部熔化注入的金属材料。当每一层被扫描并以预定图案熔化时，零件逐步构建。
在IN625 L-PBF的3D有限元模拟中，通过熔池中心线的2D截面，在块体基底上使用单层粉末，显示了基底中的热分布。
在DED过程中，由于多层沉积，零件经历重复的热加热和冷却循环。在凝固过程中和凝固后，零件中产生的复杂热场对最终材料微观结构和机械性能，如屈服应力、屈服应变、极限抗拉强度（UTS）和失效应力具有显著影响。然而，进行DED实验以优化给定几何形状的工艺参数和刀具路径以产生具有良好机械性能的零件是耗时且昂贵的。计算模型是获得零件温度历史的有效方法，该温度历史与微观结构和机械性能有关。
粉末沉积示意图。
为了预测温度场，许多研究人员使用有限元方法求解热方程并模拟AM中的瞬态温度场。对于大多数DED热模型，外部零件表面上的边界条件假设对流系数恒定。然而，DED过程通常包括强制屏蔽气流，流速在零件表面上变化；因此，提出了一种根据实测热电偶数据校准的空间变化对流系数模型，与均匀对流系数模型相比，该模型与实验温度历史更好地匹配。
热DED模型的校准也具有挑战性。几乎所有先前多层沉积的校准热模型都基于远离激光点的热电偶测量。然而，由于极端温度范围和不断变化的几何形状，很难使用热电偶直接测量熔池区域内或附近的温度。或者，由红外摄像机测量的动态红外（IR）图像已用于校准热模型。红外摄像机可捕获零件表面（包括熔池附近）发射的热辐射，为热电偶数据提供补充，用于校准和验证热模型。例如，已采集红外图像，以验证感应辅助焊接的增材制造（WAM）的移动热源热模型。还使用红外摄像机校准单道多层气体金属弧焊（GMAW）工艺的热模型。
奥氏体不锈钢的实际沉积7层构建轮廓与相应的（a）模拟构建轮廓和（b）模拟构建和分层熔池轮廓的比较。
镍基合金，如Inconel 718，由于其优异的抗拉强度、高温屈服强度、蠕变性能和耐腐蚀性已广泛应用于AM应用（如涡轮叶片和燃烧室）。发现机械性能不仅取决于晶粒尺寸和微结构取向，例如，Laves相是Inconel 718中的脆性沉淀，通常在凝固过程中枝晶间区域的Nb偏析期间形成。Laves相会降低材料的机械性能，例如降低Inconel 7182的屈服强度和杨氏模量。AM工艺过程中的化学成分和热条件会影响微观结构。因此，研究热历史对微观结构和机械性能的详细影响非常重要。
机器学习技术提供了从信号或时间序列中提取信息的有效方法。例如，卷积神经网络（CNN）可以通过卷积从输入数据中学习局部模式，而无需先验特征选择。CNN在许多应用中非常成功，如语音识别、自动驾驶车辆控制和计算机视觉。最近，一维（1D）CNN已用于从1D输入数据中提取特征，例如心脏信号或其他时间序列数据。CNN可以从原始数据中学习局部特征，然后在更深的卷积层中提取更多全局和高级特征。来自DED构建部件的测量或模拟热历史数据可以视为动态时间序列。
（a）距焊缝起始点23 mm和（b）83 mm处焊缝的焊道比较。
最近，研究表明，2D CNN可用于将AM中实验测量的热历史与材料特性关联起来。本文开发了一个经验证的热模型来预测热历史，而不是将测量值作为数据驱动模型的输入。我们应用1D CNN模型从模拟温度历史中自动提取特征并预测机械性能。由于CNN发现的相关性可能难以解释，在本工作中，我们将中间卷积层可视化，并使用CNN对高和低UTS情况下的整个热历史提取特征进行比较。提出的数据驱动框架有助于研究热效应对机械性能的影响，并提高对过程中基本物理的理解。
在这项工作中，开发了经验证的计算热模型与基于1D CNN的数据驱动方法的组合，以精确模拟过程，并使用整个时间相关温度曲线预测整个最终零件的机械性能。数据驱动模型框架的概述如图1所示。首先，我们使用基于有限元法的热模型，对Inconel 718材料的DED多层构建过程进行空间变化表面对流。然后，使用1D CNN从模拟热历史中提取特征，以预测机械性能。研究和讨论了热历史、微观结构和机械性能之间的相关性。为了更好地理解物理机制，我们将从中间卷积层提取的特征可视化，以解释热历史和性质之间的相关性。我们分析了多个高UTS和低UTS情况下CNN检测特征的区别，以研究热历史对不同UTS的贡献。这项工作展示了一种有效的方法来模拟DED沉积的热历史，通过一维CNN从这种热历史预测性能，并进一步了解热效应对凝固和机械性能的影响。
图1 流程结构属性的数据驱动分析概述。
结果
热模拟和验证
在这项工作中，使用计算热模型模拟了DED过程中的三种薄壁多层沉积情况。该模型将温度计算为时间和空间的函数。在每个特定探头点的每个时间步长输出详细的温度历史。为了研究热历史与机械性能之间的相关性，我们在模拟中选择了与实验拉伸试样相同位置的探针点。温度溶液的进一步后处理提供了用于分析的额外数据。所提出的计算模型可以有效地提供热历史、冷却速率和凝固速率，以进一步研究热数据、微观结构和机械性能之间的相关性。
空间变化热对流模型中的参数、激光吸收效率和模型中的发射率值使用实验中由红外相机测量的热历史进行校准。图2显示了校准计算模型预测的温度历史，分别与案例A、B和C的实验进行了比较。
图2 模拟和实验温度历史的比较。
结果表明，对于大多数试样位置，预测的热历史与实验结果吻合良好。例如，图2a示出了在DED过程期间，情况a中点1、2和3的模拟（实线）和实验IR相机数据（虚线）的热历史的比较。初始温度为环境温度295 K、大约200 s、当激光开始在该位置扫描时，点1的温度升高。
在接近和高于固相线温度时，模拟温度被认为比实验数据更可靠。为了提高测量温度的准确性，未来应开发校准液态和固态金属合金发射率的方法。通过更详细地描述真实零件边界条件，尤其是整个表面上的热对流，可能会影响模拟精度。
当模拟温度降至固相线温度以下时，模拟曲线与实验曲线吻合良好。每个温度曲线的快速振荡是由于添加额外材料时激光的多次通过引起的。振荡的平均值和振幅都随着壁的高度增加而减小，并且点和激光光斑之间的材料量增加。激光源在615s左右关闭 之后模拟曲线和实验曲线都更快且单调地减小。最后阶段的冷却速率主要由壁和基板表面的自由对流和辐射决定。
微观结构分析
利用扫描电子显微镜(SEM)观察了DED薄壁的微观结构。停留时间为5 s(案例a、B、C)的80 mm薄壁、120 mm薄壁和120 mm薄壁的SEM成像微观结构如图3a-f所示。我们还可以观察到微观结构中形成的缺陷，如图3d所示的孔隙。孔隙的形成与热历史高度相关，并影响零件的机械性能。使用图像处理软件ImageJ，我们计算了三个薄壁中微观结构的顶视图和侧视图的Laves相体积分数和一次枝晶臂间距。
图3不同工艺参数零件微观结构的SEM表征。
工艺和位置对冷却速度、微观结构和机械性能的影响
我们比较了三种情况下的冷却速率、微观结构特征以及实验测量的机械性能。这些值绘制在图3g中，由三种情况的平均值归一化。通过计算图3中SEM图像中的几个一次枝晶臂间距的平均值来测量一次枝晶体臂间距 mm壁（情况A）具有最大的一次枝晶臂间距，而具有5 s停留时间的120mm壁（案例C）具有最小的一次树枝晶臂间距。从图中可以看出，冷却速率最高的情况C具有最细的晶粒和相对较高的强度（UTS、屈服应力、失效应力和模量），而冷却速率最低的情况A具有较粗的晶粒和较低的强度。可以得出结论，增加连续激光扫描之间的时间，无论是通过增加壁尺寸还是停留时间，都会增加冷却速率，并导致更精细的微观结构和更高的强度。
我们还研究了同一壁中不同位置的微观结构和性能变化。图4a-f中的情况B在三个不同位置拍摄了微观结构的顶视图和侧视图。一次枝晶臂间距和Laves相体积分数由图4中的SEM图像通过ImageJ计算。在图4g中绘制了这些值，通过它们的平均值归一化。在SEM图像中，图4a-f中显示了一些圆形（可能是球形）和不规则的黑色孔隙。球形孔和不规则孔的形成预计与温度历史高度相关。球形孔可能是由熔池中金属元素的蒸发引起的，通常是在激光扫描速度不快时，而不规则孔则是由于未熔合引起的。孔隙的形成导致拉伸试验期间承载横截面积的减少，这通常导致测量强度降低。
图4 情况B中不同位置的SEM显微结构图像。
从图4g中，我们发现冷却速率、微观结构和机械性能之间没有明显的相关性。中间位置的主枝晶臂间距大于顶部和底部试样。从下至上，一次枝晶臂间距逐渐增大，但随后减小。Laves相的体积分数和机械性能的变化趋势相同。但是冷却速率从壁的顶部到底部单调地减小，尽管三个位置之间的冷却速率差异很小。这些结果表明，单独的冷却速率不足以预测一个壁中不同位置的机械性能。可能需要其他热历史特征来发展工艺和机械性能之间的相关性。
一次枝晶臂间距的预测
图5a显示了不同情况和位置样品的测量一次枝晶臂间距和模拟冷却速率之间的关系。从不同情况下不同位置的12个SEM微观结构图像测量一次枝晶臂间距。还计算了相应位置的模拟冷却速率。
图5 一次枝晶臂间距分析。
热历史与机械性能的关系
图6a显示了三种情况（情况A、B和C）下所有位置的热历史和UTS之间的相关性。对每种情况进行三次重复实验。图上的每个点表示特定模拟温度历史在给定温度范围内花费的累积时间.每个点的颜色表示相应位置的实验测量UT，而符号形状（圆形、三角形或星形）表示三个不同的壁（情况A、B和C）。
图6a中红色虚线包围的区域表示激光关闭后的部分热历史。对于激光关闭区域，三个壁所花费的时间大致相同，表明激光关闭后温度历史的差异在我们的测试中不会对机械性能的差异起作用。
图6b-d中显示了类似的相关图，其点颜色对应于屈服应力、破坏应力和弹性模量。屈服应力和破坏应力的趋势与UTS相似。然而，壁之间的模量没有明显差异。这表明由热历史特征引起的不同微观结构可能导致材料强度的变化，但对弹性模量影响较小。
图6e是三种不同薄壁的冷却速率和UTS之间的关系。图6e中的绿线是对所有数据的线性拟合。结果表明，UTS随着冷却速率的增加而增加。在三种情况中，情况C具有最大的UTS和最大的冷却速率。但在每种情况下，冷却速率与UTS之间的相关性较弱，表明冷却速率本身不足以预测机械性能。除了冷却速率之外，我们需要考虑热历史中的更多因素或特征来预测机械性能。
用1D CNN预测机械性能
最近的研究表明，一D CNN可以有效地用于分析时间序列或序列数据。这项工作使用1D CNN从热历史中提取特征，并预测机械性能，如UTS，屈服应力，失效应力和样本点的模量。在“方法”中讨论了数据准备、超参数搜索和神经网络结构。
图7为中间卷积层可视化的卷积神经网络结构。经过训练的CNN的输入是沉积薄壁中每个探测位置的温度历史。网络的输出是对应位置的UTS。图8显示了CNN预测的UTS与实际测量的UTS的对比。图8a为训练数据，图8b为测试数据。训练和测试的R2分数分别为0.96和0.67。结果表明，基于热历史的CNN结构能准确预测薄壁建筑试件的UTS。
图7 中间层可视化的CNN结构。
图8 测量的UTS与预测的UTS。
以类似的方式，我们也使用1D CNN来预测其他的机械性能，包括屈服应力、破坏应力和模量。预测屈服应力、失效应力和训练数据模量的R2值分别为0.82、0.72和0.37，对于测试数据，它们分别是0.70、0.60和0.14。这些结果表明，所提出的CNN也可以预测屈服应力和破坏应力，具有良好的精度。
为了了解热过程的哪些特征对机械性能有主要影响，我们输出了训练网络的中间卷积层。我们可视化所有特征滤波器的第一、第二和第三卷积层(Conv1D_1、Conv1D_2、Conv1D_3)的输出。这些都显示在CNN模型的上面，如图7所示，放大视图如图9所示。每个卷积层的通道输出告诉卷积层如何从温度历史中提取关键因素，并传递有用的信息，以制定机械性能。Conv1D_1、Conv1D_2和Conv1D_3层分别有32、64和64个通道。
图9 所有通道的第一、第二和第三卷积层(Conv1D_1、Conv1D_2、Conv1D_3)的输出。
我们还在图9d和e中显示了第二和第三卷积层的输出。Conv1D_2和Conv1D_3有64个特征滤波器。比较Conv1D_1、Conv1D_2和Conv1D_3的输出，Conv1D_1捕获了来自输入的大部分信息，尽管一些特征过滤器没有激活。
图9f为所选的一个特征滤波器对Conv1D_3提取的特征与温度历史的比较，所有特征滤波器如图9g所示。在图9f中，提取的特征捕获了从0 s到1150 s左右的温度信息。从图9g中Conv1D_3的所有特征滤波器提取的特征来看，输出捕获了从激光扫描开始到激光融合结束的温度信息，这与Conv1D_1和Conv1D_2的输出趋势相似。
在像CNN这样的机器学习模型中，通常很难理解输入和输出之间的关系，但为了进一步揭示热历史对UTS预测的贡献，我们比较了图10中多个高和低UTS情况下从第一卷积层(Conv1D_1)提取的特征。为了便于比较，我们在所有三种壁层中选择了12个样品，它们的激光扫描总时间(从材料沉积到激光关闭时间)相似，并将其分为高UTS组和低UTS组(每组6个样品)。对于这两组，第一卷积层的第一和第三个特征如图10所示。在两组中识别出这两种特征的模式。对于第一个特征(图10a和c)，在冷却的前300 s非常突出，高UTS组提取的信号通常更强，非零值比低UTS组少。对于第三个特征滤波器(图10b和d)，低UTS情况(图10d)开始于高信号，但在前200 s内下降，之后在大约500 s激光关闭时间后衰减，在0.02-0.03附近稳定。高UTS情况下(图10b)在激光关闭时间之前保持在0.04到0.06之间的较高信号。虽然我们无法从这些图中得出关于所涉及的物理现象的结论，但这些结果表明，可能有两种独立的现象影响着UTS。一个在早期和高温(第一个特征过滤器)，另一个在较长时间和较温和的温度(第三个特征过滤器)。
图10 高UTS和低UTS情况下提取的第一卷积层(Conv1D_1)特征对比。
在这项工作中，我们利用数据驱动的CNN模型开发了一个经验证的有限元模型，以研究Inconel 718电沉积过程中的热历史、微观结构和机械性能之间的相关性。我们使用热模型的模拟温度历史，而不是使用具有不确定性的实验测量红外温度，通过现场实验验证，通过CNN预测机械性能。对模拟的热历史、微观结构和测量的机械性能进行了全面分析，以了解工艺-结构-性能关系。CNN有效地识别了热历史的关键特征。
结果表明，1D CNN模型具有强大的能力，可以使用模拟（而非实测）热历史预测机械性能，包括UTS、屈服应力和失效应力。1D CNN模型在识别复杂热历史中的重要隐藏特征方面是有效和高效的，具有良好的精度。热历史的提取特征显示了高UTS样本和低UTS样本的不同贡献。对于低UTS样品，早期热循环对过滤特征的贡献最大，而后期历史的贡献相对较小。高UTS样本在更晚的时间和更温和的温度下显示出更强的特征信号。这些结果强调了考虑整个热历史的重要性，而不是简单的热指标，如冷却速率，以准确预测机械性能。通过使用模拟温度而不是实验，数据驱动的CNN模型扩展了预测和监控复杂零件几何结构AM构建的机械性能的能力。
双向激光扫描的温度场和速度场。
原则上，CNN可以扩展以预测微观结构信息，例如基于热历史的一次枝晶臂间距。然而，枝晶间距是从实验样品的SEM表征图像中测量的，这既昂贵又耗时，而且缺乏足够的数据。我们还在SEM图像中观察到缺陷，包括孔隙。孔隙形成预计与热历史高度相关，并可能影响机械性能。进一步研究可将孔隙度信息纳入数据驱动模型，以研究该过程-结构-性能关系。目前，孔隙率的影响是通过CNN将温度与属性联系起来间接获取的。
提出的数据驱动的CNN框架在预测用AM构建的复杂零件的机械性能方面具有巨大潜力，并提供了热效应对微观结构和机械性能的物理见解。我们的发现表明，整个温度-时间历程（可通过验证的热模拟近似）影响机械性能。该方法和通过该方法获得的见解可为DED和其他AM工艺的设计和改进提供有价值的信息。
参考文献：Application of finite element, phase-field, and CALPHAD-based methods to additive manufacturing of Ni-based superalloys. Acta Mater. 139, 244–253 (2017).
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.