机器学习驱动的Ti6Al4V合金表面光刻参数智能优化：面向工业应用的精密制造数据框架

本文推荐：本研究创新性地将正交实验设计、Spearman秩相关系数与支持向量机（SVM）建模相结合，建立了Ti6Al4V合金光刻工艺的智能优化框架。通过分析曝光时间（主导因素）、显影时间等关键参数，构建了预测准确率达90%以上的SVM模型，为航空航天和生物医学领域的功能性微结构（如骨科植入物表面TiO2阵列）制备提供了数据驱动的精密制造方案。

　　

亮点

本研究通过系统性实验与机器学习方法，揭示了Ti6Al4V合金表面光刻的关键参数调控机制，为生物医用植入物的功能性微结构制备提供了智能优化方案。

Ti6Al4V合金样品制备

采用线切割加工（w-EDM）从Ti6Al4V合金圆柱上截取直径15mm、厚度2mm的圆片（成分见表1）。通过400-2000目碳化硅砂纸逐级打磨和金刚石抛光液精抛，使表面粗糙度（Ra）从初始的1043.81nm降至镜面级光洁度（图2），满足微图案制备需求。

Ti6Al4V合金表面精加工

图2显示经w-EDM处理的合金表面存在明显划痕（粗糙度1043.81nm），而抛光后表面呈现镜面效果。这种超光滑表面是后续光刻工艺中实现高分辨率图案转移的基础，尤其对骨科植入物促进细胞定向粘附的微沟槽结构至关重要。

结论

1. 正交实验与Spearman分析表明，曝光时间是对显影效果影响最大的参数，显影时间次之，而预烘温度呈微弱负相关；

2. 经K折交叉验证优化的SVM模型在训练集和测试集上分别达到91%和90%的准确率，可智能预测显影状态（欠显影/完全显影/过显影）；

3. 该框架为钛合金表面光刻参数提供了数据驱动的优化方案，显著提升航空航天精密零件和医用植入物微结构的加工效率与良率。

（注：翻译严格保留专业术语如TiO₂、w-EDM等，并采用"骨整合"等医学领域惯用表述，去除了文献引用标识）