基于动力学蒙特卡洛模拟特征化与可解释机器学习的增材制造过程-结构关系数据驱动发现

《Machine Learning with Applications》:?Data-Driven Discovery of Process–Structure Relationships in Additive Manufacturing via Featurization from Kinetic Monte Carlo Simulations and Interpretable Machine Learning

【字体: 大 中 小 】 时间:2026年08月28日 来源:Machine Learning with Applications 6.1

编辑推荐:

  理解过程-结构关联对于加速增材制造(AM)中的微观结构设计至关重要。研究人员开发了一个计算框架,该框架将自动化特征提取——从动力学蒙特卡洛(kMC)模拟中获取——与可解释机器学习(ML)模型相结合,以从加工条件预测晶粒尺度的形态特征。研究人员分析了包含1524

  
理解过程-结构关联对于加速增材制造(AM)中的微观结构设计至关重要。研究人员开发了一个计算框架,该框架将自动化特征提取——从动力学蒙特卡洛(kMC)模拟中获取——与可解释机器学习(ML)模型相结合,以从加工条件预测晶粒尺度的形态特征。研究人员分析了包含1524个模拟三维多晶微观结构的数据集,提取了包括晶粒尺寸、表面体积比、球度和圆度在内的描述符,并将这些描述符与扫描速度和热影响区(HAZ)尺寸等工艺参数相关联。研究人员实现了四种机器学习模型——随机森林、梯度提升机、极端梯度提升(XGBoost)和神经网络——以基准测试预测准确性和可解释性。研究人员选择这些集成模型是因为它们在结构化数据集上的鲁棒性和效率,同时引入神经网络以捕捉非线性和高阶相关性。其中,XGBoost取得了最高的预测性能(R2=0.977,MAE=6.6像素)。研究人员利用Shapley加法解释(SHAP)提供了模型可解释性,揭示扫描速度和热影响区参数强烈支配晶粒形态。通过将可解释性与物理信息学习相结合,该框架弥合了高保真模拟与快速预测之间的鸿沟,实现了增材制造中可扩展的微观结构设计。
在增材制造(AM)中,微观结构设计依赖于理解过程-结构关系,但现有数值模拟(如元胞自动机、相场法等)难以在广泛工艺参数空间中系统建立定量映射。数据驱动方法虽有效,但多依赖统计描述符(如两点统计、弦长分布),未能直接量化与材料性能直接相关的物理可解释晶粒形态(如晶粒尺寸、形状)。本研究旨在利用动力学蒙特卡洛(kMC)模拟生成的高保真微观结构数据集,结合可解释机器学习(ML)模型,建立加工条件与晶粒形态描述符之间的定量关系,并解释各工艺参数的贡献。论文发表在《Machine Learning with Applications》,研究表明,该框架可高效预测晶粒特征,并通过Shapley加法解释(SHAP)揭示扫描速度和热影响区(HAZ)参数是主导因素,为加速增材制造微观结构设计提供了可扩展的路径。

研究人员采用的关键技术方法包括:从哈佛Dataverse获取的1524个三维kMC模拟微观结构(Popova等,2017)作为数据集;通过自动图像处理从二维切片提取晶粒尺寸(像素计数)、表面体积比(3×3邻域滑动窗口)、球度(Wadell公式,基于表面积和体积)和圆度(基于周长和面积)四个描述符;使用随机森林、梯度提升机、XGBoost及前馈/卷积神经网络进行回归预测,超参数调优采用六折交叉验证与网格搜索(神经网络用Keras-Tuner Hyperband);可解释性采用Shapley加法解释(SHAP)分析全局与局部特征贡献。

**3.1 各机器学习模型的性能评估**
研究人员通过比较四个描述符的测试集R2分数发现,基于树的集成方法(XGBoost、随机森林、梯度提升机)在所有特征上均优于神经网络。XGBoost在晶粒尺寸预测上表现最佳(R2=0.977),其次是梯度提升机在球度上(R2=0.975),而神经网络在表面体积比和圆度上准确率显著较低。晶粒尺寸预测精度最高,因其是温度分布的一阶度量;而圆度和球度依赖于二次形态效应,预测难度更大。

**3.2 热影响区与速度对晶粒形态和生长行为的影响**
通过对比固定扫描速度(2.5 sites/MCS)下不同热影响区(HAZ)宽度(5 sites vs. 20 sites)的微观结构图像,研究人员发现:较大HAZ宽度(20 sites)促进伸长和粗大晶粒沿热梯度排列,平均晶粒尺寸约785像素;较小HAZ宽度(5 sites)导致细晶、不规则且周期性较差的形态,平均晶粒尺寸约73像素。这表明HAZ宽度在控制各向异性程度和晶粒粗化中起主导作用。

**3.3 晶粒尺寸预测精度与形态变化**
晶粒尺寸的预测-实际值散点图显示出两个明显簇:簇1(0-450像素)对应较高速度(5-15 sites/MCS)和较宽HAZ(20-35 sites)下的各向异性结构(交替等轴和伸长晶粒),模型预测精度高(R2=0.982,MAE=2.305像素);簇2(600-1200像素)对应低速度(2.5 sites/MCS)和窄HAZ(5 sites)下的局部重熔导致的不规则粗大晶粒,模型预测精度下降(R2=0.561,MAE=15.22像素)。这反映了模型对形态过渡的敏感性。

**3.4 利用特征重要性分析解释过程-结构关系**
通过Shapley加法解释(SHAP)分析,扫描速度和热影响区宽度/长度成为全局最重要的晶粒尺寸预测特征。对于簇1,扫描速度和HAZ尾长贡献最大,对应快速冷却下细晶各向异性结构;对于簇2,扫描方向和HAZ尾长主导,因低速度下激光驻留时间延长,单方向或交叉网格扫描模式产生强热梯度,促进不规则伸长晶粒生长。SHAP分析提供了物理上有意义的解释,而不仅仅是统计相关性。

**4. 最大与最小激光扫描速度下工艺参数组合的选择**
在最大扫描速度下,HAZ宽度和熔池深度主导晶粒形态差异,而扫描方向贡献较小;在最小扫描速度下,HAZ尾长和扫描方向成为主要影响因素,交叉网格扫描促进垂直晶粒排列和细等轴晶。通过基于相对误差筛选数据点,研究人员展示了如何利用可解释机器学习选择替代工艺参数组合以保持目标微观结构,即使受限于最大或最小速度。

**总结与展望**
研究人员总结了以下结论:
- 所提出的方法能够有效识别金属增材制造中的过程-结构关系,包括对增材制造微观结构的特征化,提取了晶粒尺寸、表面体积比、球度和圆度等描述符。
- 在训练的回归模型中,极端梯度提升(XGBoost)基于七个输入工艺条件在平均晶粒尺寸预测上整体表现最优,平均绝对误差(MAE)为6.62像素,决定系数(R2)为97.79%。实际与预测晶粒尺寸的散点图显示两个不同形态的簇,第一个簇为等轴晶和较高各向异性,第二个簇为不规则形状/尺寸晶粒(外延生长)。
- 两个不同平均晶粒尺寸簇的出现源于不同工艺条件(如扫描速度和热影响区范围),研究强调了每个输入特征对形成不同晶粒尺寸簇的贡献。
- 在工艺参数空间内提取接近数据点的工艺参数组合,可用于在激光光斑扫描速度最大或最小时寻找替代方案。在恒定激光速度下,热影响区特征(宽度和长度)和扫描方向主要影响晶粒结构变化;熔池特征的宽度和长度提供一定自由度以达到相似微观结构。
- 机器学习算法训练及后续超参数调优相对简单,其中XGBoost表现优异;而神经网络因模型复杂度高,可通过增加数据量或更严格的超参数调优提高预测精度。
- 动力学蒙特卡洛模拟生成微观结构并计算平均晶粒尺寸耗时较长(例如100×100×100 sites3的立方体在较高速度和较大熔池几何下需约25分钟),而机器学习回归算法在给定数据集上预测平均晶粒尺寸及其他特征仅需5-6分钟。
- 本工作的一个局限性是特征化算法目前仅应用于二维微观结构图像,未来工作将扩展到三维微观结构,以更全面表征空间晶粒形态。
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