近日,愛荷華州立大學(Iowa State University)聯(lián)合賓夕法尼亞州立大學、普林斯頓大學、德州農(nóng)工大學、香港理工大學等多所國際知名高校與研究機構(gòu),在國際頂級綜述期刊Progress in Materials Science(影響因子= 40.0)發(fā)表題為《A review of deep learning in metal additive manufacturing: impact on process, structure, and properties》的重要綜述論文。
論文鏈接:
https://doi.org/10.1016/j.pmatsci.2025.101587
![]()
該綜述系統(tǒng)總結(jié)了深度學習(Deep Learning, DL)在金屬增材制造(Additive Manufacturing, AM)中的最新研究進展,全面梳理了DL在零件設(shè)計與拓撲優(yōu)化、原位過程監(jiān)測與閉環(huán)控制、顯微組織與性能預(yù)測、缺陷識別與殘余應(yīng)力分析等方面的應(yīng)用。文章進一步闡述了判別式深度學習(Discriminative Deep Learning)、生成式深度學習(Generative Deep Learning)和強化學習(Reinforcement Learning)等新興算法在智能制造中的潛力,強調(diào)了多模態(tài)數(shù)據(jù)融合(圖像、熱信號、聲學與模擬數(shù)據(jù))的重要性,并總結(jié)了開源代碼、訓練數(shù)據(jù)集和典型算法的適用場景。
![]()
圖1. 深度學習在增材制造中的一些重要應(yīng)用
論文指出,深度學習通過自動特征提取與多層神經(jīng)網(wǎng)絡(luò)架構(gòu),可揭示“工藝-組織-性能”之間的非線性復(fù)雜關(guān)系,大幅減少試驗成本,為高精度預(yù)測與實時控制提供了可能。特別是在金屬激光選區(qū)熔化(L-PBF)和定向能量沉積(DED)等關(guān)鍵工藝中,DL模型已實現(xiàn)熔池溫度場預(yù)測、缺陷自動識別及參數(shù)自適應(yīng)優(yōu)化。
該研究為人工智能驅(qū)動的金屬3D打印提供了系統(tǒng)的理論框架與前沿路線圖,標志著智能增材制造跨學科融合的重要一步。作者表示,希望該綜述能促進國際科研界在AI+制造領(lǐng)域的合作與發(fā)展,加速構(gòu)建高效、精準、可解釋的智能制造體系。
![]()
圖9. 四維結(jié)構(gòu)材料成分組成設(shè)計與優(yōu)化
圖21. 顯微組織與性能的優(yōu)化與預(yù)測
![]()
圖22. 工藝監(jiān)測-組織-性能的分布分析與預(yù)測
![]()
表2. 常用深度學習算法代碼歸納
![]()
圖42. 選擇合適的深度學習算法步驟圖
本文來自“材料科學與工程”公眾號,感謝作者團隊支持。
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布,本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.