《Metals》:Effect of Tempering on Microstructure, Strength and Toughness Gradient in Quenched Low-Alloy Medium-Thickness Steel Plate
Boyu Guan,
Shaobin Bai,
Yongqing Zhang,
Peimao Fu,
Haitao Lu,
Hejia Zhu,
Xingchi Chen,
Kaikai Guo,
Haonan Wang and
Yongan Chen
编辑推荐:
激光金属沉积(LMD)基于逐层材料添加原理运行,其中每一层均由相互搭接的单道轨迹形成。因此,所形成的熔覆层(clads)构成了该技术的基础构筑单元。其质量直接影响整体成形质量,尤其是几何特征,而几何特征对于工艺生产效率同样至关重要。本研究对采用激光金属沉积制备
激光金属沉积(LMD)基于逐层材料添加原理运行,其中每一层均由相互搭接的单道轨迹形成。因此,所形成的熔覆层(clads)构成了该技术的基础构筑单元。其质量直接影响整体成形质量,尤其是几何特征,而几何特征对于工艺生产效率同样至关重要。本研究对采用激光金属沉积制备的TiC/Ti6Al4V单道轨迹几何特征进行了优化。建立了人工神经网络(ANN)模型,以工艺参数——激光功率、扫描速度和送粉速率——作为模型输入,预测熔覆道宽度、高度和稀释率。采用粒子群优化(PSO)算法进行超参数选择。经超参数优化后的模型在训练阶段取得了0.00183的均方误差(MSE)和0.979的R2评分,在测试阶段取得了0.00709的均方误差(MSE)和0.887的R2评分。尽管训练指标与测试指标之间存在较小差异,提示可能存在轻微过拟合,这很可能与数据集规模有关,但该模型在测试阶段仍实现了低于10%的平均绝对百分比误差(MAPE)。随后,研究人员利用模型预测生成的工艺图识别适宜参数,并构建了工艺图谱,用以突出显示可实现适宜稀释率(14–24%)、无缺陷可靠结合以及厚而致密熔覆层的工艺窗口。
该论文发表于《Metals》,研究主题围绕TiC/Ti6Al4V复合材料在激光金属沉积(LMD)过程中的单道成形行为优化展开,核心目标是建立几何特征预测模型并据此确定兼顾成形质量与沉积效率的工艺窗口。增材制造(AM)因能够制造复杂几何构件而迅速发展,而LMD作为其中重要分支,兼具良好冶金结合、较高致密度、较强尺寸扩展能力以及修复和再制造潜力,在结构件制造与表面工程中具有广泛应用价值。LMD成形通常通过相邻单道搭接、层层沉积实现,因此单道熔覆层实质上是整体成形的基本单元,其几何形貌、尺寸稳定性与冶金一致性直接决定后续多道多层构筑质量及工艺效率。现有研究普遍认为,理想熔覆层应具备较高厚度、较大致密度、良好结合并避免裂纹,同时应将稀释率控制在合理范围,以减少基体过度重熔并提升激光能量对送粉材料的有效利用。
在这一背景下,论文指出当前研究仍存在若干关键问题。其一,激光功率、扫描速度与送粉速率对熔覆层宽度、高度和稀释率具有耦合作用,不同参数组合对成形几何的影响并非线性且存在显著交互,传统经验法难以高效给出最优窗口。其二,TiC作为陶瓷增强相加入Ti6Al4V后能够抑制外延生长并提升部分力学性能,但以往文献更多关注显微组织与力学行为,对TiC加入是否影响单道几何特征缺少明确结论。其三,数值模型虽然能够耦合传热传质过程,但往往依赖均匀性等简化假设,且熔池中Marangoni对流、浮力效应等复杂现象使得精准建模计算代价较高;传统响应面法(RSM)等统计方法则受到预设多项式形式限制,难以充分捕捉复杂非线性关系。因此,研究人员开展本研究的必要性在于:借助数据驱动模型建立工艺参数与熔覆几何特征之间的高效映射关系,进而构建可直接服务于参数选取的工艺图谱,为TiC/Ti6Al4V单道乃至后续多层沉积提供可靠依据。
研究人员首先制备了不同工艺参数下的TiC/Ti6Al4V单道试样,并系统测量其宽度、高度和稀释率,随后构建人工神经网络(ANN)模型预测几何特征,再结合实验截面形貌与显微组织分析筛选适宜工艺窗口。论文的主要结论包括:TiC含量作为独立输入变量并未显著提升ANN预测精度;经粒子群优化(PSO)选取超参数后,ANN模型对单道几何特征具有较高预测能力;送粉速率对熔覆高度和稀释率影响最为显著,激光功率对熔覆宽度影响最大,扫描速度则对宽度和高度具有抑制作用;在500 mm/min低扫描速度、1000–1500 W激光功率和约3.7–7 g/min较高送粉速率条件下,可获得稀释率约14%–24%、无明显缺陷、厚而致密的熔覆层。该研究的重要意义在于,将机器学习预测、工艺参数交互分析与冶金表征相结合,形成了一套适用于TiC/Ti6Al4V激光单道成形优化的实用方法框架,可减少试错实验,提高沉积效率,并为后续层状和块体构件的工艺放大提供依据。
研究人员采用的主要技术方法包括:利用3 kW ytterbium光纤激光器、同轴送粉喷嘴与六轴机器人平台,在6 mm厚Ti6Al4V基板上制备23个TiC/Ti6Al4V单道试样;通过截面制样、Kroll腐蚀、扫描电子显微镜(SEM)观察及ImageJ测量获得熔覆宽度、高度、熔深并计算稀释率;建立单隐层人工神经网络(ANN),以激光功率、扫描速度和送粉速率为输入,以宽度、高度和稀释率为输出;使用粒子群优化(PSO)选择隐藏层神经元数及Adam优化器参数,并采用4折交叉验证(K-fold cross-validation)和早停法评估模型泛化能力;最终依据模型预测结果与实验冶金表征共同构建工艺图谱。样本来源为研究人员自行制备的23个实验单道样品。
在研究结果部分,论文按若干小标题展开分析。
3.1. Effect of TiC Content on ANN Prediction Accuracy
该部分研究了TiC含量作为输入变量是否有助于提高几何特征预测精度。研究人员分别建立“包含TiC含量”和“不包含TiC含量”两组模型,并改变隐藏层神经元数量进行比较,通过测试样本的平均绝对百分比误差(MAPE)评估性能。结果表明,两类模型在不同网络结构下的预测性能差异很小,而不引入TiC含量的模型反而在高度、宽度和稀释率三项指标上总体取得更低MAPE。尤其在宽度和稀释率预测中,两种模型的误差差值均较小。研究人员据此认为,在本研究中TiC含量与送粉速率耦合,无法将其对几何特征的独立作用直接分离;因此,模型间相近的预测能力只能作为输入参数选择的依据,而不能用于证明TiC含量对几何性质本征影响的有无。基于简化建模框架且不损失精度的原则,后续模型开发排除了TiC含量这一独立输入。
3.2. Hyperparameter Selection and K-Fold Cross Validation
该部分通过PSO对三输入ANN模型进行超参数寻优,并通过K折交叉验证检验模型稳健性。研究人员最终得到的最优配置为8个隐藏层神经元,Adam优化器指数衰减参数β
1=0.64、β
2=0.67。4折交叉验证结果显示,尽管第3折存在轻微过拟合,但其余折次训练曲线与验证曲线拟合良好,平均MSE为0.0050,平均R
2为0.919,说明模型整体具有较好的预测性能和泛化能力。随后利用全部训练数据对交叉验证后的模型进行最终训练,训练历史表明损失函数持续下降且训练集与验证集之间保持较小稳定间隔,结合早停机制,证明模型学习过程有效。最终训练阶段模型达到MSE为0.00183、R
2为0.979的拟合水平。
3.3. ANN Model Testing
该部分使用未在训练与验证中出现的独立实验样本对模型进行外部测试。结果表明,在高度预测方面,最大绝对百分比误差为9.99%,平均误差为5.77%;宽度预测的最大误差与平均误差分别为7.91%和5.25%;稀释率预测则分别为11.48%和4.11%。综合测试集MSE为0.00709,R
2为0.887。研究人员将该结果与相关文献中RSM与ANN预测精度进行对比后认为,本研究模型与同类小样本回归研究结果一致。尽管训练与测试指标差异提示存在轻微过拟合,但测试阶段总体预测准确率仍超过90%,说明该模型已具备生成工艺图和支持工艺优化的实用价值。
3.4. Interaction of Process Parameters
该部分重点分析工艺参数之间的交互作用,并通过三维曲面揭示其对几何特征的复合作用规律。研究人员指出,单一参数的影响依赖于其他参数水平,因此采用固定第三变量、考察参数对交互关系的方式更适合工艺理解与优化。
3.4.1. Effect of Process Parameters on Width
通过分析激光功率(LP)、扫描速度(SS)和送粉速率(PFR)对宽度的交互效应,研究人员发现:宽度随LP增加而增大,随SS增加而减小;PFR对宽度的影响相对较弱。其机理在于,激光功率升高会增强熔池热量积累和材料熔化程度,而扫描速度提高会缩短激光与材料作用时间并降低热输入。总体而言,在所研究窗口内,宽度主要由LP控制,SS次之,PFR作用最弱。
3.4.2. Effect of Process Parameters on Dilution
对稀释率的分析表明,LP升高与SS增加均会导致稀释率上升,而提高PFR则有助于降低稀释率。研究人员结合Marangoni对流、导热和熔池扩展机制解释该现象:更高的LP会提高熔池温度及温度梯度,从而增强向基体的传热并形成更深熔池;而在一定条件下,SS升高使单位长度沉积粉末减少,部分激光能量更易作用于基体,促进更深熔透。相对地,PFR提高后,更多激光能量被用于熔化输入粉末而非基体,因此可降低熔深和稀释率。研究结果说明,稀释率对PFR更敏感,而LP与SS影响程度接近。
3.4.3. Effect of Process Parameters on Height
对熔覆高度的结果显示,高度随SS增加而降低,随PFR增加而明显升高,而LP影响较小。较低SS与较高LP结合时可获得更大熔覆厚度,这与熔池对粉末的捕获效率提高和更大的输入能量有关。在固定LP下,PFR对高度的调节能力明显强于SS,说明PFR主要控制垂直堆积,而SS同时影响垂直堆积与横向铺展。由此可见,增强材料输入量是获得较高熔覆层的关键。
3.5. Development of Processing Map
该部分在前述预测与实验观察基础上构建LMD工艺图谱,并筛选适宜工艺窗口。研究人员将最优窗口定义为:首先实现尽可能低且合适的稀释率,其次保证良好冶金结合,再兼顾厚而致密的熔覆层。结合文献中不同材料体系适宜稀释率范围,并根据本研究图谱分析,将候选稀释率搜索范围限定在6%–45%。在SS固定为500 mm/min条件下,当PFR>3 g/min且LP≥1000 W时可落入这一范围。进一步对对应实验截面进行比较后发现,低PFR样品往往熔深大、高度低、宽度大;高PFR样品则熔深浅、高度大、宽度窄。部分高送粉、低至中等激光功率样品出现截面不对称和初始未熔合倾向,原因在于粉末洪流过大而激光能量不足,导致熔覆层窄而高、稳定性下降。研究人员引入长宽比(AR)评估熔覆道形貌,指出AR≤2.5时存在未熔合发展风险。
在显微组织观察方面,被筛选出的代表性样品未见明显缺陷。TMMC4、TMMC5和TMMC6中可观察到等轴先前β-Ti晶粒以及多种形貌的TiC相,包括晶界链状TiC、等轴状、枝晶状和颗粒状TiC。通过面积分数测量,TiC相在TMMC4、TMMC5和TMMC6中的占比分别约为10.3%、21.1%和19.3%。不同样品中颗粒状和等轴状TiC尺寸分布亦有差异,这被归因于不同热历史及G/R比值差异,其中G为温度梯度,R为凝固速率。在扫描速度固定时,凝固速率近似恒定,因此不同激光功率和成形尺寸主要通过改变温度梯度影响TiC形貌和晶粒生长。TMMC6由于较高LP和更好的粉末捕获效率形成较大熔覆层,温度梯度相对较低,从而更倾向形成等轴枝晶TiC;而TMMC5则表现出柱状枝晶TiC和较粗大的等轴TiC。另一样品TMMC9则呈现柱状晶并伴有均匀分散的棒状TiC,说明在该条件下TiC加入并未促使等轴晶形成。
综合截面形貌、稀释率和显微组织特征,研究人员最终将TMMC4、TMMC5、TMMC6和TMMC9对应区域界定为适宜工艺窗口,并在工艺图中以阴影区域标示。该窗口对应的稀释率约为14%–24%,能够在保证较好TiC溶解程度的同时维持满意的熔覆道外形。工艺图还标出了可能发生未熔合缺陷的区域,从而为几何特征导向的参数选择提供了直观依据。
讨论部分强调,本研究的价值在于通过ANN建模克服复杂熔池物理过程难以显式解析的限制,将多参数耦合影响统一映射到几何特征预测中,并进一步借助实验冶金表征对模型输出进行工艺约束。研究结果表明,单纯依靠预测得到的低稀释率并不足以界定最优参数,仍需结合熔覆轮廓稳定性、是否存在早期未熔合征兆以及TiC溶解状态综合判断。论文同时指出,未溶TiC在高TiC含量样品中更为明显,这与复合材料后续力学性能平衡密切相关:未溶颗粒可能不利于拉伸性能和延性,但对硬度与耐磨性可能有利。因此,本研究提出的工艺窗口本质上是面向几何质量和沉积效率的优化结果,为后续进一步引入力学性能指标奠定了基础。研究人员还指出,小样本数据规模会影响ANN模型稳健性,未来仍需扩充数据集并将研究对象拓展到水平层和立方体试样,以验证单道工艺图在更复杂沉积构型中的适用性。
研究结论部分可译为:
基于所构建ANN模型的预测结果及TiC/Ti6Al4V实验单道的冶金表征,研究建立了一个可实现低稀释率、致密且较厚熔覆层的最优工艺窗口。所开发的ANN模型用于预测熔覆宽度、高度和稀释率等几何特征,其预测性能良好,与同类回归研究文献报道结果相当。在测试阶段,该模型取得了0.00719的均方误差(MSE)和0.885的R
2评分,证明其能够有效生成准确的预测数据以支持工艺图绘制。对工艺参数与几何特征之间联合作用的研究表明:熔覆高度主要受送粉速率影响,其次为扫描速度,而激光功率影响很小;熔覆宽度主要受激光功率和扫描速度控制;稀释率则主要受送粉速率影响,而扫描速度与激光功率影响程度相近。结合参数交互规律理解和实验样品冶金分析,研究确定了一个适宜运行窗口:在500 mm/min较低扫描速度、约3.7–7 g/min较高送粉速率和1000–1500 W激光功率条件下,可获得适宜稀释率,同时形成更厚、更致密且无可观察缺陷的熔覆层。TiC颗粒的加入促成了不同形貌原位TiC相的形成,且在较高TiC含量样品中未溶TiC更为显著。提高激光功率可增强TiC颗粒溶解,这表现为基体中原位TiC相面积分数增加。此外,含14.6 wt.% TiC的样品呈现等轴晶粒,而含5.3 wt.% TiC的样品则表现为柱状晶结构。论文最后指出,ANN算法对于工艺—性能建模与优化具有实用价值,但模型精度与稳健性受训练数据质量和数量影响;未来应扩展并丰富数据集,制备水平层和立方体试样验证所构建工艺图,并进一步考察TiC添加对力学性能的直接影响,以支持TiC含量优化。