为了充分发挥增材制造 (AM) 原型制作之外的工业潜力，需要最大限度地减少确定最佳加工条件所需的资源消耗。 当需要同时优化零件的多个属性时，这项任务变得更具挑战性。 根据《Designing materials by laser powder bed fusion with machine learning-driven bi-objective optimization》这篇论文，德国莱布尼茨固态与材料研究所，弗莱贝格工业大学材料科学研究所，德累斯顿工业大学理论物理研究所等研究合作伙伴，利用机器学习 (ML) 方法对 Zr 基玻璃形成合金的激光粉末床熔化 (LPBF) 进行案例研究。
▲ LPBF 制作的样品的等高线图以及不同的激光功率和扫描速度© Journal of Materials Research and Technology
3D打印-增材制造可以在不同材料分布的帮助下根据负载和其他要求调整局部密度。此外，借助定制的数字材料，可以优化组件的重量、成本和生产时间。增材制造 (AM) 作为一项突破性的生产技术，由于其几何自由度和免模具生产，成为可以高效生产数字材料的工艺。
3D科学谷
/不需要大量试错
尽管增材制造在促进新颖设计和制造方法方面具有变革潜力，但其过程控制仍然非常具有挑战性，因此这种创新制造技术的全面突破尚未实现。根本原因是需要正确选择大量的加工参数，才能成功制造具有所需微观结构和性能的致密部件。确定最终的最佳加工参数并非易事，到目前为止，尽管有实验设计和统计分析的支持，但主要基于反复试验。通过数据驱动的机器学习 (ML) 方法提供了一种不需要大量试错的方法 ，机器学习可以充分发挥金属增材制造技术的潜力。
3D科学谷了解到增材制造工艺的复杂性以及工艺和材料参数的众多，通常阻碍了分析或第一原理建模方法的使用。在这种情况下，统计和机器学习方法对于破译复杂模式、预测结果和指导增材制造的最佳决策过程变得非常有价值。因此，将机器学习集成到增材制造中不仅可以提高生产效率和零件质量，而且还显示出开拓先前未知设计领域的潜力。因此，这推动了增材制造领域的进一步创新。
到目前为止，增材制造的机器学习方法主要应用于两个不同的方向：原位监测以及识别或优化 处理参数。在后一种情况下，目标是确定一组加工参数，根据组件或材料所需的特性，这些参数将导致其成功制造。当需要优化两个或多个竞争属性时，情况会变得更加复杂。这一挑战被认为是多目标优化。与单目标优化不同，单目标优化的目标是找到一组参数来优化特定的输出，多目标优化涉及平衡几个所需的参数之间的权衡。结果。这本质上使优化任务变得更加复杂，因为可能改善一种结果的更改可能会同时降低另一种结果。此外，多目标优化问题的解不是单个最优点，而是一组所谓的帕累托最优解。
/ 可扩展
在这项研究中，研究人员提出了一种 LPBF 激光选区金属熔融增材制造的多目标优化方法，特别针对确定制造所需微结构的最佳加工条件。研究人员通过选择Zr基玻璃形成合金作为研究对象，关注其在LPBF过程中的密度和非晶度。使用高斯过程回归（GPR）和非支配排序遗传算法II（NSGA-II）进行双目标优化。
研究人员的实验表明，加工参数对密度和非晶度产生相反的影响，证明了研究人员基于机器学习的方法的有效性。研究人员采用高斯过程回归的多目标优化来建模和预测 LPBF（一种广泛使用的金属增材制造技术）制造的零件的目标属性及其不确定性。以密度和非晶度作为目标参数，研究人员使用非支配排序遗传算法 II 促进的帕累托前沿优化模型。尽管非晶度数据存在偏差，研究人员还是证明了这种方法可以识别工艺参数的高性能区域，并且能够通过额外的实验数据迭代增强其能力。这种双目标优化方法为 LPBF 处理提供了强大的工具集。它可以轻松扩展到更大的目标属性集并转移到进一步的增材制造技术。
尽管实验数据集存在不确定性，尤其是非晶性的情况，但研究人员的方法显示了迭代改进和逐步细化模型以获得最佳处理参数的潜力。后者是通过执行额外的实验、用新数据点丰富数据集并相应地更新模型来实现的。尽管目前的数据集提出了某些挑战，但研究人员基于机器学习的方法的适应性为实现最佳的增材制造结果提供了一条稳健的途径。
▲图 1. 用于识别最佳 LPBF 处理参数的基于 ML 的方法的示意图
NSGA-II 算法是解决各种多目标优化问题的最稳健和最有效的算法之一。它是一种进化优化算法，旨在找到描述帕累托前沿的多种非支配解。
研究人员还相信这种机器学习框架的应用领域可以扩展到热电、磁性或其他功能材料。通过这种方式，构建的机器学习框架利用了工艺参数-结构-性能关系，允许通过设计制造材料。最后，研究人员想强调所提出的基于机器学习的方法的可移植性。这项工作中提出的稳健框架不仅可以扩展到 LPBF 加工的其他合金和目标性能，还可以扩展到进一步的增材制造技术。更准确地说，研究人员的双目标机器学习框架不仅限于 LPBF，还可以扩展到其他基于粉末床或定向能量沉积 (DED) 的 AM 增材制造技术，例如涉及粉末或线材作为原料的激光 DED 定向能量沉积增材制造或线弧DED定向能量沉积增材制造 。这些增材制造技术由于其数字化处理控制，可以通过机器学习进行优化。
这项研究强调了机器学习在优化增材制造过程中的关键作用，特别是在处理需要同时考虑多个属性的复杂优化问题时。通过结合GPR和NSGA-II，研究者能够更有效地探索参数空间，找到最佳的加工条件，从而提高零件的性能和质量。此外，研究人员还提出了机器学习框架在未来可能的发展方向，包括扩展到其他材料和增材制造技术。
/ NSGA-II遗传算法
NSGA-II（非支配排序遗传算法II）NSGA-II（非支配排序遗传算法II）是一种用于解决多目标优化问题的遗传算法。它最初由Kalyanmoy Deb等人在1999年开发，旨在改进早期的NSGA（非支配排序遗传算法）算法。NSGA-II在处理多目标问题时，特别强调了算法的收敛性和多样性。
在材料开发领域，NSGA-II可以用于优化材料的设计参数，以满足多个性能指标。例如，可以利用NSGA-II来寻找具有最佳强度、韧性和成本效益的合金配方，或者用于确定具有特定电导率、热导率和机械性能的复合材料的最佳制造过程。
NSGA-II算法的主要特点包括：
非支配排序：算法首先将种群中的个体根据非支配关系进行排序。非支配关系意味着一个解在所有目标上都不比另一个解差。
拥挤距离：为了维持种群多样性，NSGA-II引入了拥挤距离的概念。拥挤距离是一个度量，用于衡量一个解周围有多少空间可以用于生成新的解，从而避免解的聚集。
精英策略：在生成下一代种群时，NSGA-II使用精英策略，即在父代和子代中选择最好的个体进入下一代。
快速非支配排序：NSGA-II改进了非支配排序的算法，使其更加高效。
二进制编码：该算法通常使用二进制编码来表示解，并通过交叉和变异操作来生成新的解。
在材料开发中应用NSGA-II时，通常需要：
定义多个目标函数，这些函数代表了材料的不同性能指标。
确定设计变量的范围，这些变量是材料设计中可以调整的参数。
设定算法的参数，如种群大小、交叉率、变异率等。
运行算法，直到达到预定的迭代次数或解的质量不再显著提高。
通过使用NSGA-II，研究人员可以获得一组在多个性能指标上表现良好的材料设计方案，从而为实验和进一步研究提供指导。
