激光粉末床熔融技术中商业金属合金相对密度预测的大型数据集研究成果

为解决 L-PBF 技术中相对密度（RD）预测难题，研究人员构建数据集，验证其适用于预测建模。

　　在科技飞速发展的今天，3D 打印技术逐渐走进人们的视野，其中激光粉末床熔融（Laser Powder Bed Fusion，L-PBF）技术凭借其独特优势备受关注。它能够制造出复杂且高性能的零部件，在航空航天、医疗等对性能、减重和定制化要求极高的领域大显身手。然而，这项技术在实际应用中却面临着一个棘手的问题 —— 如何精准预测打印零部件的相对密度（Relative Density，RD）。

相对密度对 3D 打印零部件的机械性能和整体质量起着决定性作用。打个比方，就像建造高楼大厦，每一块砖的密度如果参差不齐，那么整栋楼的安全性和稳定性就会大打折扣。在 L-PBF 技术中，能量密度（ED?）是影响相对密度的关键因素，它的计算公式为ED?=v?h?lP? ，其中P代表激光功率，v是扫描速度，h是 hatch 间距，l是层厚。但由于材料种类繁多、3D 打印设备品牌和型号各异，以及加工参数范围广泛，使得 L-PBF 技术制造的零部件标准化和质量控制面临巨大挑战。即便在最优工艺窗口内，也可能出现随机缺陷，这进一步凸显了准确预测相对密度的重要性。

为了解决这一难题，来自厄瓜多尔武装部队大学（Universidad de Las Fuerzas Armadas ESPE）、乌拉圭天主教大学（Universidad Católica del Uruguay）、智利瓦尔帕莱索天主教大学（Pontificia Universidad Católica de Valparaíso）和智利天主教大学（Pontificia Universidad Católica de Chile）的研究人员展开了深入研究。他们的研究成果发表在《Scientific Data》上。

研究人员为了开展这项研究，主要运用了以下几种关键技术方法：首先是数据收集，他们从过去 15 年相关权威期刊的文献中收集数据，通过全面的文献回顾，在多个科学数据库中筛选出 85 篇符合要求的文章，提取其中的相对密度、打印参数等数据。然后进行数据处理，对收集到的数据进行探索性数据分析（Exploratory Data Analysis，EDA），以了解数据结构、变量关系等，并运用 K-Means 算法进行初步聚类，减少数据噪声。最后，利用互信息（Mutual Information，MI）分析评估数据集对训练预测模型的潜力，运用 XGBoost 和随机森林（Random Forest）回归器对数据集进行验证。

下面来看具体的研究结果：

• 数据收集与整理：研究人员收集整理出包含 1579 个样本的大型数据集，这些样本涵盖多种商业合金，数据集里详细记录了打印条件、材料特性、保护气氛、粉末粒径分布、零件几何形状等信息。
• 数据特征分析：通过对数据的分析发现，平均粉末粒径（D50?）、几何因子和激光功率等是影响相对密度预测的重要特征。而保护气氛和打印几何形状等特征对相对密度的影响在该数据集中相对较小，但不能完全忽视。
• 模型验证结果：运用 XGBoost 和随机森林回归器对数据集进行验证，结果表明该数据集可靠，适用于预测建模。其中 XGBoost 回归器拟合效果更好，训练数据的输出可解释性超过 90%，测试数据超过 70%，虽然存在轻微过拟合，但两种模型都能可靠地预测 3D 打印样品的相对密度。

研究结论与讨论部分指出，该研究构建的大型数据集为研究人员提供了宝贵资源。它有助于研究人员对比不同密度样本的结果，深入理解影响 3D 打印合金最终相对密度的关键因素，进而验证现有模型、探索新的机器学习方法。同时，研究人员邀请科研界共同丰富该数据集，希望借此建立该领域未来数据集的标准。这项研究为 L-PBF 技术的发展提供了有力支持，推动了基于数据驱动的相对密度预测研究，对优化 L-PBF 工艺、提高 3D 打印零部件质量具有重要意义。