機器學習可以使用于多材料金屬打印的增材制造 (AM) 工藝更便宜、更快，并支持為能源、汽車和航空航天工業生產復雜、高性能、具有成本效益的零件。 根據3D科學谷的市場觀察，最新的案例是Exponential Technologies 與 Aerosint 一起為不銹鋼 316l 和 Inconel 625 組合通過人工智能平臺開發了多材料激光粉末床熔融 (LPBF) 參數集。

　　人工智能開發多材料3D打印參數? Aerosint

　　/ 加快參數開發與優化

　　在打印測試中，xT SAAM 人工智能算法能夠將初始參數設置提高 2 倍，并且產生更密集的零部件和更高的3D打印速度。通過xT SAAM，項目團隊無需懂得算法開發即可快速獲得適合的加工參數包。這表明 xT SAAM 機器學習可以顯著加快增材制造工藝參數優化、節省材料、節約時間和金錢、加快上市時間并降低研發成本。

人工智能賦能3D打印

　　/ 多材料 LPBF

　　為了實現最高的靈活性和高性能零部件，多材料3D打印是必要的，這就是 Aerosint 開發能夠實現多金屬 LPBF 3D 打印的選擇性粉末沉積 (SPD) 的原因。

　　Aerosint 選擇使用 xT 開發的 AI 人工智能平臺 xT SAAM 來開發不銹鋼 316l 和 Inconel 625 材料組合，因為傳統方法已被證明既昂貴又耗時。將這些材料組合在一個零件中將允許制造具有高復雜性和耐腐蝕性以及抗氧化的性能更好的零件。這些零部件將能夠在高機械負載和高溫的極端環境中表現良好，這將在能源、汽車和航空航天工業中發揮巨大作用。

　　根據3D科學谷,人工智能在每個特定領域發揮著越來越重要的作用，包括：缺陷檢測和糾正、在構建過程中和構建之后減少殘余應力和故障、原位計量和設計精度、微結構設計、合金設計和優化。

　　l結合不銹鋼 316l 和 Inconel 625

　　該項目的目的是為不銹鋼 316l 和 Inconel 625 金屬的組合找到一個單一的工藝參數集，以最大限度地提高零件密度和構建速度。

　　Aerosint 將 Aconity 3D打印機與其鋪粉系統結合使用，并通過xT SAAM 平臺開發參數設置。對于參數設置的開發，Aerosint 使用了 xT SAAM 的主動學習模塊和自動集成建模。結合這兩種方法，xT SAAM 可以大幅減少研發和工藝開發所需的實驗數量，并充分利用他們的數據。

　　主動學習方法基于遺傳算法，該算法根據現有數據和目標建議新的參數設置。在這種方法中，xT SAAM專有的遺傳算法會提出隨著每個實驗周期而改進的建議。自動集成建模方法基于為給定數據集找到機器學習模型的最佳組合，以最大限度地提高預測準確性。

　　l解決方案

　　初始數據由 8 種不同的打印配方組成，實現了 99.7% 的相對密度和每秒2.88立方毫米的構建速率。

　　使用可用數據 xT SAAM 軟件為第二次迭代提供了 40 種不同的3D打印參數包，對現有參數進行了微小的更改，并且采用了全新的組合。第二次迭代能夠將部件的密度提高到 99.9% 以上，并將構建速率大幅提高 36% 至每秒3.94 立方毫米。

　　現在，基于可用的 48 個參數包（8 個來自初始數據，40 個來自通過人工智能平臺提供的第二次迭代），在新的迭代中，結果令人難以置信，將構建速度提高了 54%，達到每秒6.08立方毫米，同時保持密度高于 99.9%。

　　l機器學習

　　xT SAAM 人工智能軟件是一個強大的工具，不僅可以實現多材料增材制造，顯著縮短開發周期，還可以實現高密度零件的高生產率。

　　最重要的是，xT SAAM 所有開發的參數包集合彼此之間都大不相同。這種參數集的多樣性允許基于優先級或更高的生產穩定性在參數集之間切換。該項目表明，與目前使用的實驗設計 (DoE) 等方法相比，xT SAAM 平臺有助于減少研發工作并提高零件質量和生產速度。

　　在機器學習的輔助下識別兩種不同材料的加工窗口是一項了不起的成就。這允許使用跨材料界面的連續掃描而不是順序掃描。換句話說，即使每層有兩種不同的粉末，也可以像對單一材料的常規操作一樣進行。這顯著減少了構建作業準備工作，并提高了工藝穩健性和零件質量。

　　/ 爆發性增長的潛力

　　在《增材制造設計（DfAM)指南》這本書中，援引了AM零件質量影響因素的石川圖，在石川圖中詳細的舉出了影響加工質量的160多種因素，僅僅是激光掃描過程，就包括了掃描線長度，掃描線種類，外輪廓，內輪廓，掃描方式，掃描速度，光束矯正，收縮補償，掃描線順序，填充間距，填充方向，激光功率，（離）聚焦，表面填充參數，偏移等等。可見要通過人的經驗來駕馭和平衡160多種影響加工質量的變量是非常難的。

　　根據中國工程院院刊Engineering上的《基于神經網絡的機器學習方法在3D打印中的應用》，使用神經網絡建立工藝-結構-性能-使役性能（PSPP）方面會出現爆發性的增長，因為與其他方法和模型相比，神經網絡在復雜模型識別中具有內在優勢。

人工智能賦能3D打印

　　目前人工智能用于3D打印過程控制主要是聚焦于控制孔隙（密度）、局部缺陷、過程中產生的內應力、設計和尺寸精度、微觀結構變化等。

　　根據3D科學谷，在不久的未來，下一步的人工智能將跨越單臺3D打印設備，實現設備與設備之間的協調與工藝優化。在軟件的作用下，年輕的3D打印產業正期待著一個完全自動化的工廠，進行生產的不只是一個產品，而是幾百個，甚至上千個的數字串行制造模式。

　　根據3D科學谷《人工智能減少缺陷-3D打印過程控制 l 人工智能賦能3D打印》一文，人工智能賦能的快速生產的未來主義圖景會從根本上改變整個行業，根據3D科學谷的市場判斷，曾經耗時數月的復雜零件的制造過程，質量保證和后處理方法可以縮短為幾天。

　　知之既深，行之則遠。基于全球范圍內精湛的制造業專家智囊網絡，3D科學谷為業界提供全球視角的增材與智能制造深度觀察。有關增材制造領域的更多分析，請關注3D科學谷發布的白皮書系列。