CJA 2024年第4期封面文章由空军工程大学李应红院士团队和南京航空航天大学郭万林院士团队共同完成。文章第一作者为南京航空航天大学易敏教授，通信作者为空军工程大学周留成教授。增材制造过程的复杂性以及材料的微观缺陷等因素为增材材料疲劳性能的评估带来了极大的挑战。近年来，新兴的机器学习方法为这一问题提供了全新的解决途径。本文详细探讨了机器学习方法在预测增材制造材料疲劳性能方面的最新研究进展，并对当前领域面临的问题和挑战进行了总结和展望。
01
研究背景
相较于传统的减材制造方法，增材制造(Additive Manufacturing, AM)因其极大的设计自由度、近净成型、减少材料浪费等优势而备受瞩目。然而，AM过程的高度复杂性以及材料的微观结构、缺陷、残余应力等局部因素，给AM材料疲劳性能的评估带来了极大挑战。
近年来，机器学习(Machine Learning, ML)的迅速发展使从数据中自动学习并进行决策或预测成为可能。一些ML算法能在没有任何特定知识或物理模型的情况下识别非线性变量之间错综复杂的关系，为增材制造材料疲劳性能的评估问题提供了新的解决途径。
对前馈神经网络(Feedforward Neural Network, FNN)、卷积神经网络(Convolutional Neural Network, CNN)、自适应模糊推理系统(Adaptive Network-Based Fuzzy Inference System, ANFIS)、物理信息神经网络(Physics-Informed Neural Network, PINN)、支持向量机(SVM, Support Vector Machine)和随机森林(Random Forest, RF)等机器学习方法在预测增材制造材料疲劳寿命和疲劳裂纹扩展速率方面的最新研究进展进行了综述，并对这一领域面临的问题和挑战做出了总结和展望。
02
综述内容
1）前馈神经网络
表1总结了FNN在增材制造材料疲劳寿命预测方面的应用情况。具体而言，这些研究通常结合实验数据、数值模拟和机器学习进行：首先，通过实验获取疲劳曲线以用作校准，确定理论模型中的参数；随后，基于连续损伤力学(Continuum Damage Mechanics, CDM)的疲劳模型进行数值模拟，生成足够的FNN训练数据；最后，选择不同的特征用于预测AM材料的疲劳寿命。
在特征选择方面，增材制造过程参数，如激光功率、扫描速率、层厚、扫描方向，以及疲劳试验参数，包括应力集中系数、应力比、应力幅等通常被作为FNN的输入特征。缺陷参数，例如缺陷形状、缺陷大小以及缺陷到表面的距离，也被考虑为FNN的输入。在输出方面，少数工作将实验疲劳寿命与CDM方法计算疲劳寿命之间的相对误差作为输出，以间接得到疲劳寿命，而大多数研究直接以疲劳寿命作为输出。
2）卷积神经网络
采用卷积神经网络模型可研究激光粉床熔融(Laser Powder Bed Fusion, LPBF)过程中原位传感数据、增材制造部件质量和疲劳性能之间的关系。该研究通过采集增材制造过程中的逐层图像、多光谱信号以及激光扫描矢量数据作为输入，成功利用CNN模型预测了材料失效起始位置处等效直径大于200 μm的缺陷。随后，通过计算Murakami因子，最终确定了增材制造材料的疲劳寿命。
3）自适应模糊推理系统
ANFIS在预测增材制造材料疲劳寿命方面亦有潜力，可通过分别构建基于工艺(以激光功率、扫描速率及后处理温度作为输入)和基于性能(以最大循环应力、极限抗拉强度及断裂延伸率作为输入)的ANFIS模型，实现对激光粉床熔融增材制造316L不锈钢高周疲劳寿命的准确预测。
4）物理信息神经网络
将仅由数据驱动的神经网络模型直接应用于疲劳寿命预测可能面临一些问题，因为仅从数据中学到的输入和输出之间的统计关系可能违反一些物理定律。而物理信息神经网络则可以考虑问题的基本物理原理，可用于求解偏微分方程等数学问题。为确保PINN能产生物理上合理的结果，在预测疲劳寿命时需要遵循以下基本规律：①S-N曲线的分散性应随着应力或应变水平的降低而增加；②S-N曲线在低应力水平应趋于无限寿命或足够大的寿命。这些规律可以被转化为神经网络中的相关约束，从而产生所谓的PINN。
表2列出了PINN在预测增材制造材料疲劳性能的进展情况。在特征选择方面，增材制造过程参数(包括激光功率、扫描速率、加热时间、扫描方向)和疲劳试验参数(包括平均应力、应力比、应力水平)等通常作为PINN的输入参数。缺陷参数包括缺陷直径、缺陷球形度及Murakami因子，也可作为PINN的输入。在输出方面，除直接将疲劳寿命作为输出外，也有研究将疲劳寿命的均值和方差作为输出。
5）支持向量机
支持向量机是一种依赖于结构风险最小化原理的监督学习算法，该算法通过核函数将输入映射到高维特征空间，在回归分析和非线性分类方面具有高效性。表3总结了应用SVM预测增材制造材料疲劳性能的研究进展。数据集规模通常从十几到上百不等，SVM的输入特征包括激光功率、扫描速率、粉末层厚等与增材制造过程相关的参数，缺陷尺寸、形状及位置等缺陷特征参数，以及应力幅、应力强度因子等疲劳载荷参数，疲劳寿命则直接作为SVM输出。在疲劳寿命预测准确度方面，线性回归在疲劳寿命数据缺失的低周疲劳及高周疲劳区表现较差，而支持向量机在这两个区域展现出了优越的预测性能。
6）随机森林
将随机森林应用于预测增材制造材料疲劳性能的研究进展如表4所示。输入特征除了常见的增材制造过程参数、缺陷参数及疲劳载荷参数外，一些材料表面特征参数，如表面粗糙度、表面硬度、表面改性系数等，也被作为RF的输入特征。
在输出目标方面，除了对疲劳寿命直接预测外，还有一项研究对Ti6Al4V的裂纹扩展速率进行了预测。该研究选择了后处理技术、应力强度因子和构建方向作为输入特征，由RF预测的裂纹扩展速率与实验数据吻合良好。此外，对输入特征重要性的分析表明，应力强度对裂纹扩展速率的影响最大，而构建方向对裂纹扩展速率的影响最小。
03
研究结论
如图1所示，基于增材制造过程参数、材料缺陷参数及疲劳载荷参数，包括FNN、PINN、CNN、ANFIS、SVM和RF在内的机器学习方法已成功应用于增材制造材料(如钛合金、铝合金、不锈钢、镍基高温合金等)疲劳寿命的预测。此外，RF方法还被用于预测Ti6Al4V合金的疲劳裂纹扩展速率。这些机器学习方法在预测增材制造材料的疲劳性能方面取得了令人满意的结果，机器学习已然成为预测增材制造材料疲劳性能的高效而准确的工具。然而，机器学习在预测增材制造材料疲劳性能方面仍然面临以下挑战：
图1 ML预测增材制造材料疲劳性能的流程图
1）数据集规模有限
机器学习在预测增材制造材料疲劳性能方面的效果受数据集规模和质量制约。由于涉及不同的材料类型、增材制造技术、后处理工艺和微观结构，生成增材制造材料疲劳性能实验数据昂贵且耗时，尤其在高周疲劳和近门槛值疲劳裂纹行为方面数据有限。解决方法包括采用数据增强技术扰动原始数据集及利用基于物理模型的有限元模拟，生成具有增材制造材料虚拟微结构的疲劳数据来扩展训练数据集。
2）特征选择困难
增材制造是个复杂过程，包括多种特征如制造参数、后处理参数和微观结构。为使机器学习模型有良好预测性能，选择适当特征至关重要。目前，没有确定哪种特征更好的一致规范，通常由研究人员经验决定。一些方法如随机森林和支持向量回归可评估不同特征及其组合的重要程度，为特征的选择提供指导。
3）过拟合问题
过拟合是指模型在训练数据上表现出色，但在验证数据集上的预测性能较差，导致不合理的预测结果。机器学习算法在预测增材制造材料疲劳性能时，提高模型的泛化能力显得尤为重要。为了应对过拟合，已经发展出一些技术，包括数据正则化、训练早停和随机失活等。
4）可解释性差
传统机器学习模型是纯数据驱动的，由于其黑盒特性，难以直接理解输入与输出关系。对于增材制造材料疲劳性能的预测，ML模型输出的疲劳寿命难以与材料中潜在的疲劳机制相对应。PINN是一种结合科学知识与数据科学的新方法，提高了模型解释性。如何将更多有关增材制造技术、材料特性、力学模型和微观结构的物理知识纳入PINN模型，实现对增材制造材料疲劳性能的可解释性预测，仍需进一步研究。
5）难以推广到结构寿命设计
目前，大多数机器学习模型仅适用于预测增材制造和各种后处理方法得到的标准试样的疲劳性能，主要停留在预测材料级疲劳性能。然而，将增材制造材料应用于实际结构，考虑增材制造结构裂纹萌生、损伤容限和耐久性的寿命设计，仍有待探索。整合ML策略、结构寿命设计经验和标准、数值模拟的应力/应变分析，可能是解决这一问题的有效途径。
04
作者介绍
易敏，南京航空航天大学航空学院教授、博士生导师，国家级青年人才，获胡海岩科技创新奖，江苏省“双创人才”，南京航空航天大学“长空英才”，Elsevier中国高被引学者(力学；航空宇航科学与技术)。主要从事先进材料与结构力学研究，聚焦航空航天材料与结构、先进制造、表面强化、可重复使用航天装备、微纳米材料等。主持了国家级人才青年项目、国家自然科学基金青年/面上项目、德国科学基金项目(DFG)、南京市留学人员科技创新项目等多个项目，发表SCI论文70余篇(被引4600余次)，目前担任中国颗粒学会理事、《Chinese Journal of Aeronautics》《航空学报》《南京航空航天大学学报》《Int J Extreme Manufacturing》青年编委。
周留成，空军工程大学航空动力系统与等离子体技术全国重点实验室，结构服役安全与表面强化研究方向部长，从事空天动力结构服役安全与激光强化技术研究，成果在多型发动机部件试制或应用。入选国家级青年人才计划、陕西省杰青、科协青托等；享受国务院政府特殊津贴；获2022年国际IAAM杰出科学家奖、2015年国家技术发明二等奖（排6）；2020年度国防科技进步一等奖（排3）；2022年度教育部科技进步二等奖（排2）；2014年度中国航空学会技术一等奖（排4）。优秀博士论文、中国机械工程学会上银优博。主持国家两机重大专项等。担任SCI期刊JMST、CJME等编委、EI期刊《中国表面工程》与《表面技术》编委等。一作/通信在Int J mach tool manu、Int J Plasticity等发表SCI论文40余篇。在国际航空科学大会等国际国内会议做特邀报告20余次，担任会议主持人10余次。
引用格式
Min YI (易敏), Ming XUE (薛明), Peihong CONG (丛佩红), Yang SONG (宋洋), Haiyang ZHANG (张海洋), Lingfeng WANG (王凌峰), Liucheng ZHOU (周留成), Yinghong LI (李应红), Wanlin GUO (郭万林). Machine learning for predicting fatigue properties of additively manufactured materials [J]. Chinese Journal of Aeronautics, https://doi.org/10.1016/j.cja.2023.11.001.
论文全文下载方式
1 识别以下二维码；2 点击文末“阅读原文”。
