增材制造Ti-6Al-4V的疲劳强度预测:基于缺陷的物理信息神经网络

《Materials Today Communications》:Fatigue Strength Prediction of Additively Manufactured Ti-6Al-4V: A Defect-Based Physics-Informed Neural Network

【字体: 大 中 小 】 时间:2026年03月25日 来源:Materials Today Communications? 3.7

编辑推荐:

  激光粉末床熔融(Laser Powder Bed Fusion, LPBF)制备的Ti-6Al-4V构件因表面粗糙度、次表面及内部孔隙、残余应力和亚稳微观组织等缺陷,其疲劳强度表现出较大分散性。虽然机器学习(machine learning, ML)能够捕捉这

  
激光粉末床熔融(Laser Powder Bed Fusion, LPBF)制备的Ti-6Al-4V构件因表面粗糙度、次表面及内部孔隙、残余应力和亚稳微观组织等缺陷,其疲劳强度表现出较大分散性。虽然机器学习(machine learning, ML)能够捕捉这些趋势,但纯数据驱动的方法通常缺乏物理依据和泛化能力。为克服这一局限,本研究引入了一种新颖的模块化物理信息框架,该框架结合了(i)特征敏感输入,(ii)一种独特的基于NASGRO推导合成数据库(由XCT统计参数化)的仿真预训练策略,以及(iii)带有断裂力学约束的物理信息神经网络(physics-informed neural network, PINN),即Kitagawa-Takahashi(KT)包络、阈值应力强度因子(ΔKth)的单调性和载荷比排序。将KT约束的PINN应用于LPBF制备Ti-6Al-4V的疲劳强度预测。在143个实验样本的固定分层分割上,验证R2从0.70(基线ANN)提高到0.77(预训练ANN)和0.82(PINN),而平均绝对误差(MAE)从40 MPa降至29.9 MPa。一致性图、残差和KT图检查表明,预测反映了缺陷尺寸趋势和热处理效果。结果表明,该框架独特地弥合了数据驱动灵活性与断裂力学严谨性之间的差距,为增材制造(additive manufacturing, AM)疲劳预测提供了一种可转移且物理一致的方法,即使在实验缺陷数据稀疏时亦然。
**论文解读文章**

**研究背景与问题**
激光粉末床熔融(Laser Powder Bed Fusion, LPBF)作为广泛使用的增材制造(Additive Manufacturing, AM)工艺,在航空航天等安全关键领域应用日益增长。然而,LPBF制备的Ti-6Al-4V构件因工艺诱发的缺陷(如高表面粗糙度、孔隙、残余应力和脆性微观组织)导致疲劳强度显著下降且数据分散。传统机器学习(Machine Learning, ML)模型虽能捕捉非线性关系,但纯数据驱动方法缺乏物理依据,泛化能力受限。近年来,物理信息神经网络(Physics-Informed Neural Networks, PINNs)通过将物理约束嵌入学习过程,有望在数据有限或含噪时保持物理一致性。然而,现有PINN模型要么未显式考虑缺陷形态,要么未强制执行物理律(如Kitagawa-Takahashi(KT)包络)。本研究旨在弥合此空白,提出一种结合概率缺陷描述符与KT一致性约束的模块化物理信息框架。

**研究开展与结论**
研究人员基于143个实验样本(来自55个独立文献及内部测试)和NASGRO推导的合成数据库(由XCT统计参数化),分三阶段构建模型:基线人工神经网络(ANN)、仿真预训练ANN(Pretrain ANN)及KT约束的PINN。结果表明,验证R2从0.70(基线)逐步提升至0.77(预训练)和0.82(PINN),均方根误差(RMSE)从47.1 MPa降至36.4 MPa,平均绝对误差(MAE)从40 MPa降至29.9 MPa。KT图验证显示预测与文献趋势定性一致,较高应力对应光滑表面,热等静压(Hot Isostatic Pressing, HIP)条件使行为左移(控制缺陷尺寸减小)。该框架首次将KT约束PINN应用于AM合金疲劳强度预测,证明概率缺陷描述符与断裂力学一致性可嵌入小数据集,兼具准确性与可解释性。论文发表在《Materials Today Communications》。

**关键技术方法**
(1)**特征敏感性分析**:基于梯度提升树(Gradient Boosted Decision Trees, GBDT)识别11个关键输入特征(如表面粗糙度聚类、ΔKth、HIP状态、伸长率ε、屈服强度σy等),剔除冗余变量。(2)**合成数据库生成**:采用NASGRO损伤容限框架,参数化XCT统计(如缺陷面积、距表面距离、分布偏度与峰度),生成4800个合成数据点,模拟缺陷对疲劳强度的影响。(3)**物理约束PINN**:在标准Huber损失上附加三项选择性物理损失:KT包络铰链(限制预测不超过ΔKth对应的强度上限)、ΔKth单调性(惩罚预测随ΔKth增加而下降)、载荷比(Load Ratio, LR)排序(确保LR=0.1条件下预测不高于LR=-1)。模型先经合成数据库预训练,再在实验数据上微调。样本来源:143个条目(含内部测试与55个文献),涵盖多种表面处理、热处理(热处理方法聚类尺度和冷却速率)、载荷比(-1和0.1)及构建方向。

**研究结果**
**4. Results(结果)**
通过固定分层分割,验证指标逐阶段改善:基线ANN R2=0.70,MAE=40.5 MPa,RMSE=47.1 MPa;预训练ANN R2=0.77,MAE=33.6 MPa,RMSE=40.9 MPa;PINN R2=0.82,MAE=29.9 MPa,RMSE=36.4 MPa。绝对RMSE从基线到预训练降低6.2 MPa,再至PINN降低4.5 MPa,总降幅10.7 MPa(23%);MAE降低10.6 MPa(26%);R2总计提升0.12。一致性图显示,PINN预测点更紧贴45°线且±10%带内点更多;残差图显示,PINN的95%置信带最窄,双尾误差最小;学习曲线表明,预训练与PINN收敛更平稳且达到更低RMSE最小值(分别约343和333轮)。

**5. Discussion(讨论)**
**5.1 Porosity Defect Descriptors(孔隙缺陷描述符)**
敏感性分析(Fig. 6)显示,缺陷描述符(1/areakiller、rkiller、尺寸分布偏度areaku、尺寸分布峰度areaku、径向分布偏度rsk和峰度rku)与表面粗糙度聚类(SR Cluster)、ΔKth、HIP和ε等领先实验预测因子并列重要。1/areakiller反映缺陷尺寸与强度反比关系;rkiller体现近表面孔隙放大效应;高阶统计量(偏度、峰度)揭示罕见严重缺陷及其空间聚类对强度的主导作用。HT聚类和冷却速率重要性较低,因其效应已通过ΔKth、ε、σy和HIP间接捕捉。

**5.2 Model Progression(模型进展)**
基线ANN已通过特征敏感性聚焦于疲劳驱动因子,但残余分散仍存。预训练阶段通过NASGRO合成数据库提供机制感知先验,降低预测方差并提升高强端准确性。PINN阶段通过KT包络、ΔKth单调性和LR排序三项约束,进一步引导网络走向物理一致解,降低过拟合并减少异常值。与Salvati等人的缺陷PINN相比,本框架在R2上提升约39%。

**5.3 Physics Constraints(物理约束)**
KT包络铰链仅惩罚超出ΔKth上限的预测,限制大缺陷高强端过估;ΔKth单调性确保近阈值阻力增加不降低预测强度;LR排序通过最近邻配对铰链强制均应力条件下预测有序。三项约束均为单边且仅在违反时激活,与数据拟合兼容,增强了泛化能力和可解释性。

**5.4 Broader Implications(更广泛意义)**
KT图验证(Fig. 7)表明,PINN预测在光滑表面(SR=3)时疲劳强度高于粗糙表面(SR=0-1),HIP条件使控制缺陷尺寸减小(左移),且所有预测均位于ΔKth界定的上限之下,接近Pessard的PF0.5趋势线。该框架表明,无需标本级XCT,仅依靠常规输入(材料状态、ΔKth、LR、拉伸性能和表面光洁度)即可获得机制感知预测,适合工业初步评估与敏感性分析,且其模块化设计可迁移至其他合金与AM工艺。

**5.5 Limitations and Future Work(局限性与未来工作)**
实验数据库缺乏标本级XCT,合成预训练间接;数据库来自多个研究(55个文献),异质性引入未量化变量。未来将扩展NASGRO仿真以覆盖更多工艺参数、热处理和HIP条件,并集成表面粗糙度效应;添加标本级XCT数据以直接传递缺陷描述符;引入明确的KT下界项(σKT);拓展至其他合金与AM路线,并探索贝叶斯神经网络以提供不确定性量化。

**6. Conclusion(结论)(翻译)**
本研究评估了一个模块化物理信息框架,用于预测LPBF制备Ti-6Al-4V的高周疲劳强度。该流程整合了特征敏感输入、基于NASGRO推导数据库(由XCT统计参数化)的仿真预训练,以及PINN中选择性断裂力学约束。据研究人员所知,这是KT约束PINN首次应用于AM合金疲劳强度预测,证明概率缺陷描述符与断裂力学一致性可嵌入小数据集,兼具准确性与可解释性。得出以下结论:
-验证准确率在三阶段流程中单调递增,R2从0.70升至0.77再到0.82,RMSE从47.1 MPa降至40.9 MPa再到36.4 MPa,表明仿真初始化与物理约束相比纯数据基线具有可测量的增值。
-在编码缺陷尺寸、位置和分布的合成数据上进行预训练,使网络在微调前学习缺陷-强度结构,从而改善收敛行为并降低方差。
-物理约束提高了可靠性并减少了异常值:KT一致性包络抑制了缺陷敏感情况下的不安全过预测,ΔKth单调性项强制执行近阈值阻力的预期趋势,平均应力排序捕捉LR效应,一致性图和残差带宽变窄证明了这一点。
-KT图交叉验证显示与文献趋势定性一致:光滑表面应力更高,HIP条件左移(控制面积减小),预测值聚集在ΔKth界定的上限之下且接近已发表趋势,表明学习模型尊重从微观组织控制向长裂纹控制的转变。
-该框架利用通常无需标本级XCT即可获得的输入,在常见实践状态下产生可信趋势,支持在物理一致性界限内进行初步评估和敏感性分析,同时保持可解释性。

该PINN框架表明,结合概率缺陷描述符与断裂力学约束可提高基于ML的疲劳模型的预测准确性和物理合理性。虽然本研究聚焦于LPBF制备的Ti-6Al-4V,但其模块化设计允许应用于其他合金和AM工艺。未来工作可纳入标本级XCT孔隙数据以进一步强化物理基础,并评估合成孔隙推理方法的可转移性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号