激光定向能量沉积(L-DED)是一种重要的增材制造(AM)技术,它通过将粉末同步送入激光生成的熔池中,实现逐点和逐层的材料沉积[1]。由于其高沉积速率、大规模构建的能力以及与异质材料的兼容性,L-DED在航空航天、生物医学和汽车行业得到了广泛应用。
熔池是激光与材料相互作用的核心区域,也是L-DED的基本处理单元。其形态稳定性和流体动力学直接决定了制造部件的性能指标。更具体地说,熔池的几何形状决定了涂层几何尺寸(宽度和高度)[2],这反过来又影响了激光轨迹的规划。熔池在固化阶段的表面形态在很大程度上决定了最终部件的表面粗糙度[3]、[4]。此外,熔池内的热和质量传递以及流体流动会导致元素偏析和孔洞形成[5]、[6],同时通过改变固液界面的热梯度和固化速率来影响微观结构的演变[7]、[8]、[9]。因此,理解熔池的三维形态和流动行为的动态演变对于提高L-DED制造部件的质量至关重要。
现有研究主要采用模拟和实验相结合的方法来揭示工艺参数对熔池行为的影响,从而揭示从工艺条件到熔池动力学,最终到材料特性的因果链。在数值模拟方面,研究人员通过建立精确的物理过程模型(如马兰戈尼效应[10]、[11]、蒸汽反冲压力[12]、[13]和粉末撞击[14]、[15])来进行高保真模拟,从而有效预测熔池的流动行为和形态演变。对于实验研究,原位监测提供了丰富的工艺信息,这对于揭示潜在的物理机制至关重要。尽管熔池的高度局部化和动态特性给实时观察带来了挑战,但同步辐射源和高速成像技术的最新进展使得能够实现高空间和时间分辨率的表面形态演变和瞬态流动行为的监测。
在各种原位监测技术中,X射线成像利用材料X射线吸收系数的差异生成对比图像,直接洞察熔池内部的动态过程。这种方法已被广泛用于追踪熔体流动轨迹[16]、[17]、[18],观察关键孔动力学[5]、[19],以及预测孔洞形成[20]、[21]。然而,X射线成像系统的大型物理尺寸和高成本限制了其实际应用。为了满足紧凑和成本效益的需求,基于可见光和热辐射的光学测量方法已被广泛开发用于熔池监测。
在表面流动分析中,Wirth等人[22]开发了一种自动化的高速摄像方法来追踪熔池表面的碳化物颗粒和氧化物斑块。Feng等人[23]将未熔化粉末的轨迹追踪与双波长测温技术结合,同时重建了表面流动和温度场。Zhou等人[24]利用原位高速成像追踪漂浮颗粒,实现了熔体流动速度和路径的量化。虽然这些研究成功揭示了L-DED过程中的特征现象,如马兰戈尼对流和粉末诱导的湍流,但它们都有一个共同的局限性:传统的2D监测只能捕捉到相机平面上的投影流动模式,这是由于观察角度非正交和表面地形变化所致。因此,准确重建3D流场需要关于熔池3D表面形态的补充信息。
关于3D熔池形态的重建,已经开发了两种主要技术方法:基于结构光投影的方法和基于双目立体视觉的方法。Zhang等人[25]设计了一种视觉系统,利用激光点阵投影和反射图像分析,在强烈的电弧干扰下实现了钨惰性气体(TIG)焊接熔池的实时3D重建。Wang等人[26]采用单次结构光投影技术,通过两条光学路径捕捉熔池表面的反射激光图案,为每条光线建立了封闭形式的解,实现了即时3D重建。结构光投影在计算效率和抗热辐射干扰方面具有优势。然而,由于投影光点的密度有限,这种方法只能在熔池表面重建稀疏的3D坐标集。相比之下,双目立体视觉技术利用熔池表面的连续自然纹理和灰度变化来实现密集的3D重建。Gu等人[27]开发了一种结合改进的KAZE算法的双目视觉系统,显著提高了特征匹配效率。Liang等人[28]基于双棱镜配置构建了一个立体视觉系统,在不同穿透条件下成功重建了熔池表面的3D点云。同样,Li等人[29]利用类似的双棱镜辅助立体视觉系统结合深度学习算法,实现了高精度的3D重建,长度、宽度和高度测量的误差小于2.5%。
应当注意的是,大多数现有研究仅限于单一物理量的测量。然而,在实践中,熔池形态和流场是两个耦合的状态变量,共同决定了制造部件的质量。熔池的几何边界影响熔体流动的空间分布。例如,研究[24]表明,在丝材送入的L-DED过程中,丝材作为新的物理边界,改变了熔池的几何形状和热场。这种设置产生了沿丝材垂直轴的独特温度梯度驱动的流动,与主熔池内的马兰戈尼对流不同。同时,熔体流动通过热和质量传递过程改变了熔池的几何尺寸[8]、[10]、[30]。因此,同时表征流场和3D形态不仅对于实现增材制造过程的闭环智能控制至关重要,而且还提供了关于熔池动力学内在机制的关键实验见解。
在这项研究中,开发了一种原位协同测量系统,用于同时获取L-DED熔池的3D形态和表面流场。四镜配置利用单个高速相机实现双目视觉成像,有效克服了双相机设置中固有的时间同步和系统复杂性挑战。镜子的角度可以灵活调整,以适应特定的视野要求和实际工程环境的空间限制。结合基于深度学习的特征匹配算法和数字图像相关(DIC)技术,该系统实现了熔池形态和流场的同步表征。
基于该系统,在单轨沉积过程中,对不同工艺参数组合下的熔池形态和流场进行了原位测量。建立了一个基于机器学习的替代模型,将工艺参数与熔池特性相关联。利用Sobol敏感性分析,定量评估了每个工艺参数对关键熔池特征的影响和相对重要性,从而制定了旨在提高形态和流动稳定性的工艺优化策略。
本文的结构如下:第2节描述了算法原理和实验设置;第3节分析了熔池形态的空间和时间演变,并介绍了熔池特征提取的数据处理方法;第4节详细介绍了替代模型的训练过程,并讨论了工艺参数的影响;第5节总结了主要结论。