基于多特征融合的金属增材制造叶轮碳足迹快速评估方法研究

为解决金属增材制造(AM)复杂构件缺乏快速碳足迹评估工具的难题，研究人员提出融合工艺特征与几何特征的参数化生命周期评价(LCA)框架，开发集成贝叶斯优化与对抗生成的BAG-XGBoost算法，实现SLM制造叶轮碳排放精准预测（准确率提升23.6%），为可持续金属AM提供数据驱动决策依据。

　　

在全球制造业碳排放占比高达28%的背景下，金属增材制造(AM)因其能实现复杂构件一体化成型而被视为工业4.0的核心技术。然而鲜为人知的是，选择性激光熔化(SLM)工艺的能耗可达传统制造的100倍，其中金属粉末制备和持续激光烧结构成主要碳排来源。更棘手的是，现有商业设计软件如SolidWorks的可持续性模块仅适用于减材制造，导致设计师在开发AM复杂叶轮时犹如"盲人摸象"——既无法预判不同设计方案的碳排放，也难以识别关键影响因素。这种评估真空状态严重阻碍了AM技术的绿色化进程。

国家自然科学基金资助项目（编号52305544）的研究团队突破性地构建了全球首个面向SLM叶轮的多特征快速LCA框架。该研究创新性地将叶轮特征分解为工艺参数（如激光功率、层厚）和几何特征（如Z轴高度、体积），通过实时监测235V电压下的动态电流波动，首次建立涵盖材料提取、粉末制备到打印全周期的参数化碳排模型。更引人注目的是，团队开发的BAG-XGBoost算法通过贝叶斯优化超参数和对抗样本生成，在测试集上将预测误差控制在4.7%以内，远超传统XGBoost模型。

关键技术方法包括：1) 采用电能分析仪采集SLM设备瞬时功率数据；2) 构建包含12个关键特征的参数化LCA模型；3) 集成贝叶斯优化与对抗训练的BAG-XGBoost算法开发；4) 基于SHAP值的特征重要性排序。实验样本为36组不同设计参数的316L不锈钢叶轮。

能源消耗数据收集
通过实时监测发现，SLM设备在预热阶段功率稳定在2.1kW，而激光功率在200-400W区间波动时总功耗可达6.8kW，证实能量密集型特性。

Discussions and implications
SHAP分析揭示叶轮体积、Z轴高度和材料选择贡献度达78%，其中Z轴每增加10mm会导致碳排放激增15%，这颠覆了传统认为几何复杂度是主要影响因素的认知。

Conclusions
研究证实BAG-XGBoost模型在预测AM零件全球变暖潜势(GWP)方面R²达0.983，较随机森林提升12%。该框架使设计师能在概念阶段预判不同方案的碳排差异，例如选用AlSi10Mg替代316L不锈钢可减排29%。

这项发表于《Journal of Cleaner Production》的研究开创性地将可解释AI引入AM可持续性评估，其开发的开放式特征数据库为后续研究提供基准。正如通讯作者Shitong Peng强调，该方法可扩展至航空航天复杂构件评估，为实现《巴黎协定》制造业减排目标提供关键技术支撑。