Ti-6Al-4V合金因其卓越的力学性能、高耐腐蚀性和生物相容性，广泛应用于航空航天、汽车、化学和生物医学行业。激光粉末床熔融（LPBF）增材制造是一项新兴技术，通过计算机辅助设计（CAD）模型，利用高能激光选择性熔化金属粉末层来制造产品。这项技术为设计和制造具有可定制微观结构和所需性能的复杂近净形 Ti-6Al-4V零部件提供了机会，这有望进一步拓展其在关键行业的应用范围。LPBF的显著特点在于其快速凝固（冷却速率约为103至108 ℃ s-1）和热历史中的循环加热，导致Ti-6Al-4V合金微观组织与其通过传统制造方法制备的微观组织有很大的不同。在LPBF过程中，由于较大的热梯度和快速冷却速率，Ti-6Al-4V合金通常会转变为亚稳α'马氏体相。此外，LPBF工艺会形成各种不同的Ti-6Al-4V合金微观组织特征，如柱状β晶粒和非平衡针状α'马氏体，这取决于详细的热历史（冷却速率和热循环）。因此，通过控制决定热历史的LPBF工艺加工参数，可以实现多种微观组织结构。同时，马氏体晶粒的尺寸和形态对机械性能（如强度、延展性和断裂韧性）具有至关重要的影响。即使进行后续热处理，与原始微观组织相关的特征也常常被保留并影响最终性能。因此，定量研究LPBF制备的Ti-6Al-4V合金的加工工艺与形成的微观组织关系对于实现多种工业应用所需的微观结构和机械性能至关重要。在过去的十年中，建立LPBF制备的Ti-6Al-4V合金工艺与微观结构关系的方法已经得到发展，例如统计分析和基于多物理场的计算建模。然而，这些方法往往依赖昂贵的试错实验和耗时的建模。例如，基于多物理场的计算模型可能受电脑模拟波动和不确定结果的影响，具体取决于所使用的假设，并涉及材料特征复杂性增加与模拟速度和精度相应降低之间的权衡。因此，需要开发合适的方法来量化Ti-6Al-4V
LPBF的工艺与微观结构关系。
澳大利亚新南威尔士大学 (UNSW Sydney) 的Xiaopeng Li教授团队提出了一种先进的图片生成式人工智能（AI）方法，即使用基于图片驱动的条件生成对抗网络（cGAN）机器学习模型来重建和定量预测LPBF制备Ti-6Al-4V合金的关键微观组织特征（如马氏体的形态以及一次和二次马氏体的尺寸）。研究结果表明，所开发的图像驱动机器学习模型能有效且高效地重建训练数据集中的微观组织图像，并预测由不同LPBF加工参数（如激光功率和激光扫描速度）制备的在训练数据集之外的微观组织特征。这项研究为利用基于GAN机器学习的模型建立和量化LPBF制备的Ti-6Al-4V合金中加工参数和微观组织结构之间关系提供了机会，该模型也有望拓展到其他合金系统，在增材制造领域的工艺优化、材料设计和微观结构控制等相关应用中具有巨大潜力。
图1描述了作者提出的生成对抗网络（GAN）机器学习模型。该模型能够根据连续的标签向量（例如 LPBF 加工参数）生成并预测材料的微观组织结构特征。这个模型是对GAN模型的改进，在卷积神经网络（CNN）架构下，将标签与图像一起嵌入到两个竞争模型中：生成器和鉴别器。生成器被用来利用一组低维随机向量 z 生成类似于原始数据库中真实图像 Xreal 的假图像 Xfake，并将这些假图像 Xfake 提交给鉴别器进行评估。鉴别器的作用不仅是不断地提高评估标准来区分真实图像和生成的假图像之间的差异，同时也要利用给定的分数γ来判断图像和标签Yreal之间的兼容性。生成器和鉴别器相互交替训练，彼此竞争以提高学习图像与条件标签之间联系的性能。在训练结束时，生成器和鉴别器达到了近似纳什均衡状态，其中生成器生成的虚假图像足够真实，使得鉴别器难以准确区分生成的样本和真实图像。
图1本研究中设计的条件生成对抗网络的流程图，用于重建和预测LPBF制备的Ti-6Al-4V合金的微观组织结构。(a) 条件GAN模型的框架；(b) 用于学习输入标签和微观组织结构图像之间映射的深度卷积鉴别器的架构；(c) 用于根据输入标签生成微观组织结构图像的深度反卷积生成器的架构。
为验证机器学习模型是否能够学习LPBF加工参数与对应微观组织图像之间的关系，我们对条件GAN模型的性能进行了评估。图2a展示了在不同激光功率（
150 W、250 W、350 W）和扫描速度（700 mm/s、1100 mm/s、1500 mm/s）工艺下打印的Ti-6Al-4V合金立方体试样XOY（垂直于构建方向）横截面方向的原始BSE SEM图像（放大倍数为1500倍和750倍），图2b展示了GAN模型生成的对应加工参数下重建的微观组织图像。模型生成的不同放大倍数的微观组织图像显示，所有使用不同LPBF加工参数构建的Ti-6Al-4V样品微观组织中马氏体形态与对应的真实的微观组织图片中马氏体的形貌高度相似。例如，在图2a中350 W和700 mm/s的原始显微组织内，马氏体呈现出密集的网格分布，因为高激光功率和慢扫描速度促进了马氏体的粗化。图2b中350 W和700 mm/s的重建图像也呈现了相对粗糙的针状马氏体分布的特征。这表明GAN生成的图像（图2b）有效地捕捉并再现了真实图像（图2a）中存在的基本图像特征。图3c和图3d展示了LPBF不同加工参数工艺下制备的Ti-6Al-4V合金试样的XOZ横截面（沿构建方向）上不同放大倍数的原始BSE SEM微观组织图像，以及GAN生成的对应加工参数下的重建图像。
图2原始BSE SEM图片显示了LPBF制备的Ti-6Al-4V的显微组织结构（1500放大倍数）：（a）Ti-6Al-4V合金样品的XOY横截面和（c）XOZ横截面；GAN生成的 LPBF 制备的Ti-6Al-4V合金微观组织图片：(b)
Ti-6Al-4V合金样品的XOY 横截面和 (d) XOZ 横截面。不同的LPBF 加工参数（P：激光功率，v：扫描速度）如标题所示。
图3原始BSE
SEM图片显示了LPBF制备的Ti-6Al-4V合金的显组织（750放大倍数）：（a）Ti-6Al-4V合金样品的XOY横截面和（c）XOZ横截面；GAN生成的 LPBF 制备的Ti-6Al-4V合金微观组织图片：(b)
Ti-6Al-4V合金样品的XOY 横截面和 (d) XOZ 横截面。不同的LPBF 加工参数（P：激光功率，v：扫描速度）如标题所示。
成功对九个交叉组合的LPBF工艺参数（即150 W、250 W、350 W和700 mm/s、1100 mm/s、
1500 mm/s）使用GAN模型进行了微观组织结构的重建，这使得我们有理由相信GAN模型已经建立了微观组织结构与加工参数之间的关系，从而能够预测超出训练范围（150 W至350 W和700 mm/s至1500 mm/s）的参数组合下的微观组织分布，尽管这些参数组合并未用于模型的预训练。为了创建六个未知的微观组织案例，我们选择了200 W和300 W的激光功率以及900 mm/s、1100 mm/s和1300 mm/s的扫描速度的交叉组合作为GAN模型的输入标签。试样的XOY和XOZ横截面相应的预测微观组织图像分别如图4b和4d所示。为验证生成图像中微观组织结构特征的准确性，我们还收集了这些打印条件下的真实BSE SEM微观组织图像。不同放大倍数下的真实的显微组织与GAN预测的微观组织的比较如图4所示。与XOY和XOZ截面的真实图像（图4a和图4c）相比，我们可以观察到预测的显微组织（图4b和4d）中生成的马氏体的主要形态特征（包括几何形状和尺寸）与实际微观组织图片中观察到的特征相匹配。尽管真实图像和生成图像的背景颜色存在一些差异，这归因于BSE SEM图像采集时选择的对比度和亮度不同，但预测的微观组织中高度对应的形态学特征仍然清晰可见。
图4 BSE SEM 显微组织图片显示了LPBF 制备的 Ti-6Al-4V合金的实际微观组织结构：(a)
Ti-6Al-4V合金样品的XOY横截面和 (c) XOZ 横截面；GAN生成的 LPBF制备的Ti-6Al-4V合金微观组织图片：(b)
Ti-6Al-4V合金样品的XOY横截面和(d) XOZ 横截面。标题中显示了不同的LPBF 处理参数。
图5展示了LPBF制备的Ti-6Al-4V合金样品的BSE
SEM图像上预测马氏体α'的平均尺寸分布。其中，（a）和（b）显示了XOY截面上一次马氏体的短轴长度w分布和长轴长度L分布，而（c）和（d）显示了XOZ截面上的情况。此外，（e）和（f）呈现了XOY截面上二次α'的短轴长度和长轴长度的分布，而（g）和（h）展示了XOZ截面上的情况。
在图中，w代表马氏体的短轴长度（即宽度），而L表示马氏体的长轴长度（即长度）。
对于图4中预测和实际微观结构数据之间的比较，条件GAN在预测不同LPBF加工参数下Ti-6Al-4V合金微观组织结构方面表现出了良好的准确性。因此，该机器学习模型适用于预测激光功率在150 W至350 W以及扫描速度在700 mm/s至1500 mm/s范围内的微观组织形态。我们通过使用GAN模型对生成的微观组织图片中的一次马氏体和二次马氏体的宽度和长度进行了预测，并且采用了三次样条插值方法来绘制尺寸分布等高线图，如图5所示。激光影响的微观组织中马氏体长度与宽度之间的关系表现出高度复杂和非线性的特征，这源于各种潜在的物理过程，例如激光能量的吸收、散射以及热传递。使用图像驱动的机器学习模型处理这种复杂的非线性关系具有明显的优势。在图
5c和图5d中可以观察到，随着激光功率的增加，一次马氏体的长度先增大后减小，而宽度则相反。就LPBF制备的Ti-6Al-4V合金样品的XOY横截面（图5e和5f）和XOZ横截面（图5g和5h）微观组织中的二次马氏体的尺寸分布而言，它的峰值长度小于对应的一次马氏体长度，但是宽度与一次马氏体宽度相似。马氏体尺寸分布的定量表征为研究微观组织结构与LPBF加工参数之间的关系提供了有效的方法，同时也为将来进一步研究其他LPBF制造的金属和合金的工艺-微观结构-性能关系铺平了道路。
在此研究中，我们采用了基于生成对抗网络的新型机器学习模型用于重建和预测多种LPBF加工参数下制造的Ti-6Al-4V合金的晶粒形貌。根据研究结果得出以下结论：
（1）建立的条件生成对抗网络模型能够在不同LPBF加工工艺参数（激光功率和扫描速度）下重建和预测增材制造Ti6Al4V合金样品各区域的主要微观组织结构特征（例如马氏体形貌与尺寸），并具有约80%的预测准确率。
（2）基于预测微观结构的定量表征，我们建立了在较宽加工窗口内的马氏体晶粒的尺寸分布图。这些分布图揭示了一次马氏体和二次马氏体的长度、宽度与激光功率和扫描速度等关键LPBF加工变量之间的复杂关系。
（3）开发的加工工艺-微观结构关系模型使得选择合适的LPBF工艺参数以获得所需的Ti-6Al-4V合金微观结构成为可能。这代表了向着开发各种增材制造合金系统的通用加工工艺-微观结构-性能预测方法迈出了关键的第一步。
相关研究成果以“A machine learning method to quantitatively predict alpha phase
morphology in additively manufactured Ti-6Al-4V”为题发表在npj Computational Materials上，论文第一作者为Zhuohan Cao (曹倬菡)，通讯作者为Xiaopeng Li。
论文链接：
https://doi.org/10.1038/s41524-023-01152-y
本文来自材料学网微信公众号，欢迎友好转载，转载请联系后台，未经许可，谢绝转载
