生产高性能钛合金部件——无论是用于航天器、潜艇还是医疗设备——长期以来一直是一个缓慢且资源密集的过程。即使采用先进的金属 3D 打印技术，找到合适的制造条件仍需要大量的测试和微调。如果这些部件能够更快地制造、更强且接近完美的精度会怎样？一支团队正在利用人工智能使这一愿景成为现实。他们已经确定了提高生产速度和这些先进材料强度的加工技术——这一进展的影响从深海延伸到外太空。
生产高性能钛合金部件——无论是用于航天器、潜艇还是医疗设备——长期以来一直是一个缓慢且资源密集的过程。即使采用先进的金属 3D 打印技术，找到合适的制造条件仍需要大量的测试和微调。
如果这些部件能够更快、更强并且达到近乎完美的精度，会怎样呢？
一支由马里兰州劳雷尔约翰霍普金斯应用物理实验室 (APL) 的专家和约翰霍普金斯怀廷工程学院的专家组成的团队正在利用人工智能使这一愿景成为现实。他们确定了提高生产速度和这些先进材料强度的加工技术——这一进展的影响从深海到外太空。
APL 极端和多功能材料科学项目经理摩根·特雷克斯勒表示：“国家面临着迫切需要加快生产以满足当前和未来冲突需求的挑战。在APL，我们正在推进基于激光的增材制造研究，以快速开发可执行的材料，确保生产跟上不断变化的作战挑战。”
最近发表在期刊增材制造上的研究结果专注于Ti-6Al-4V，这是一种因其高强度和低重量而广泛使用的钛合金。该团队利用人工智能驱动的模型绘制出之前未探索的激光粉末床熔化的制造条件，该方法是一种3D 打印金属的方法。结果挑战了长期以来对工艺极限的假设，揭示出生产致密、高质量钛合金的更广泛加工窗口，具有可定制的机械性能。
共同作者布伦登·克鲁姆表示，这一发现为思考材料加工提供了一种新的方式。
克鲁姆说：“多年来，我们认为某些加工参数对于所有材料都是‘禁区’，因为会导致质量不佳的最终产品。但通过利用人工智能探索所有可能性，我们发现新的加工区域，使得在保持甚至提高材料强度和延展性的同时，能够更快地打印。现在，工程师可以根据他们的具体需求选择最佳的加工设置。”
这些发现为依赖高性能钛合金部件的行业带来了希望。制造更强、更轻组件的能力，能够加快制造速度，可能提高造船、航空和医疗设备的效率。这也为推动航空航天和国防领域增材制造的更广泛努力做出了贡献。
怀廷工程学院的研究人员，包括索姆纳斯·戈什，正在整合人工智能驱动的模拟，以更好地预测增材制造材料在极端环境中的表现。戈什共同领导了两个NASA宇航技术研究所（STRIs）之一，该机构是约翰霍普金斯大学与卡内基梅隆大学之间的合作，专注于开发先进的计算模型，以加速材料的资格认证。目标是减少设计、测试和验证新材料在太空应用中的所需时间——这一挑战与APL在精炼和加速钛制造方面的努力紧密结合。
重大进展
这一突破建立在APL多年推进增材制造的工作基础上。当2015年APL制造技术首席科学家史蒂夫·斯托克来到实验室时，他意识到这一实践的局限性。
斯托克回忆说：“当时，国防部在使用增材制造方面面临的最大障碍之一是材料的可获得性——每种设计都需要特定的材料，但大多数材料并不存在稳健的加工条件。钛是少数能够满足国防部需求且经过优化以匹配或超越传统制造性能的材料之一。我们知道我们必须扩展材料范围并优化加工参数，以充分释放增材制造的潜力。”
APL花了多年时间来提升增材制造，专注于缺陷控制和材料性能。2021年，APL团队在约翰霍普金斯APL技术文摘中发表了一项研究，探讨缺陷如何影响机械性能。大约在同一时间，斯托克的团队正在开发快速材料优化框架，这一努力导致了2020年申请的专利。
这个框架旨在显著加速加工条件的优化，为最新研究提供了坚实的基础。在此基础上，团队利用机器学习探索前所未有的加工参数范围，这是传统的试错方法难以实现的。
这种方法揭示了一个因材料不稳定性而被前人摒弃的高密度加工方案。通过目标调整，团队解锁了处理Ti-6Al-4V的新方法，该材料长期以来已经针对激光粉末床熔化进行了优化。
斯托克表示：“我们不仅在进行渐进式改进。我们正在发现全新的材料加工方式，开启以前未考虑的能力。在短时间内，我们发现了将性能推向更高水平的加工条件。”
人工智能发现隐藏的模式
钛的性能，和所有材料一样，可能会受到材料加工方式的影响。激光功率、扫描速度以及激光轨迹之间的间距决定了材料的固化方式——无论是强韧还是脆弱有缺陷。传统上，找到正确的组合需要缓慢的试错测试。
团队不是手动调整设置并等待结果，而是使用贝叶斯优化训练人工智能模型，这是一种机器学习技术，可根据先前数据预测最有前途的下一次实验。通过分析早期测试结果并在每次迭代中完善其预测，人工智能快速锁定最佳加工条件——让研究人员能够在实验室测试少量配置之前，虚拟探索成千上万种配置。
这种方法使团队能够迅速识别出之前未使用的设置——其中一些在传统制造中被摒弃——这些设置能够产生更强、更致密的钛。结果推翻了长期以来对哪些激光参数产生最佳材料性能的假设。
克鲁姆表示：“这不仅仅是更快地制造部件。这是关于在强度、灵活性和效率之间找到正确的平衡。人工智能正在帮助我们探索我们自己可能不会考虑的加工区域。”
斯托克强调，这一方法不仅仅是改善钛打印——它为特定需求定制材料。“制造商通常寻找一种适合所有的设置，但我们的赞助商需要精确，”他说。“无论是用于北极潜艇还是在极端条件下的飞行部件，这种技术让我们优化应对这些独特挑战，同时保持最高的性能。”
克鲁姆补充说，扩展机器学习模型以预测更复杂的材料行为是另一个关键目标。团队的早期工作关注密度、强度和延展性，克鲁姆表示，团队有意建模其他重要因素，比如疲劳抗性或腐蚀。
他说：“这项工作清晰地展示了人工智能、高通量测试和数据驱动制造的力量。过去需要数年的实验才能了解新材料在我们赞助商相关环境中的反应，但是如果我们能在数周内学到所有这些，并利用这些洞察力迅速制造增强合金呢？”
新的可能性
这项研究的成功为更广泛的应用打开了大门。最近发表的论文专注于钛，但同样的人工智能驱动的方法也已应用于其他金属和制造技术，包括专门开发的合金，以利用增材制造，斯托克说。
未来探索的一个领域是所谓的原位监测——能够实时跟踪和调整制造过程。斯托克描述了一个设想，即最先进的金属增材制造可以像在家中3D打印一样无缝：“我们设想一个范式转变，使未来的增材制造系统在打印时可以进行调整，确保完美的质量，无需广泛的后处理，并且部件可以一出生就合格。”
