基于机器学习的高性能制件的增材制造制备方法

1.本发明涉及金属材料制备技术领域，具体涉及一种基于机器学习的高性能制件的增材制造制备方法。


背景技术：

2.增材制造技术(也称为3d打印技术)是一种集三维计算机辅助设计(cad)技术、计算机辅助制造(cam)技术、计算机数控(cnc)技术、激光技术和新材料技术等多门学科融合发展的新兴数字化成形技术，在航空航天、国防军工以及生物医疗等新兴产业领域展现出广泛的应用前景。其基于“离散-堆积”原理，依据预先设定的三维模型，通过“分层制造-逐层累积”方式成形所需构件，具有无模加工、个性化复杂结构可定制、构件近终成形等优点，解决了传统铸造、锻造技术成形复杂制件时存在的工序复杂、材料利用率低、生产周期长及成本高等问题。其中激光粉末床熔融技术因激光光斑细小、粉床厚度薄及快速熔凝等特点，在高性能复杂结构制件的高精度制备方面展现出独特优势并受到广泛关注和研究。然而随着航空航天等高端装备制造领域的飞速发展，增材制造制件性能已难以满足该领域对关键零部件性能日益严苛的要求，严重制约了增材制造技术的进步和广泛应用。由此可见，如何提高制件性能是增材制造技术领域亟待解决的关键问题。
3.以粉末为原料的增材制造技术其制件性能与原料粉末特性密切相关。例如，粉末松装密度会通过影响粉床密度改变熔池动力学行为以控制成形件中孔隙等缺陷的形成，从而对制件性能产生重要影响；而原料粉末粒度分布特征则可以通过其与制件晶粒尺寸之间的固有遗传特性影响制件晶粒尺寸以控制其性能。粒度双峰分布金属粉末通过小尺寸颗粒填充大尺寸颗粒间的孔隙可有效提高粉末床密度，改善材料的热传导，从而有效避免制件开裂并提升其致密度、表面质量及力学性能。此外，采用双峰粒度分布粉末为原料制备的制件，由于受粉末遗传特性影响，晶粒呈亚微米和微米级双峰尺寸分布，双尺度结构协调作用使得构件兼具高强度与高塑性。
4.但是相比于单峰粉末，双峰粉末的粒度分布等粉末特性发生改变，导致其热导率、激光吸收率及粉末床密度等会有所不同，进而造成成形件致密度、表面质量、尺寸精度及力学性能等发生显著改变。而现有研究基本是利用实验试错法和有限元模拟方法研究粒度15～53μm单峰粉末的工艺适配性，对双峰粉末工艺适配性的研究较为少见；并且传统研究方法耗时耗力且难以准确分析增材制造过程所包含的大量复杂变化，这些均严重阻碍了增材制造技术的进步和广泛应用。


技术实现要素：

5.本发明的主要目的在于提供一种基于机器学习的高性能制件的增材制造制备方法，该制备方法以双峰粒度分布粉末为原料，结合基于数据驱动机器学习方法构建的粉末粒度分布特征-工艺参数-制件性能预测模型，能够实现高性能增材制造构件的高效率制备，以克服现有技术中航空航天等高端装备领域用高性能复杂结构制件制备所面临的问
题。
6.为了实现上述目的，本发明提供了一种基于机器学习的高性能制件的增材制造制备方法。
7.该基于机器学习的高性能制件的增材制造制备方法包括以下步骤：
8.s1，建立数据集；其中，所述数据集分为训练集和测试集；所述训练集中含有多组训练数据，且每组训练数据均包括第一工艺参数、第一粉末粒度分布特征参数、第一制件性能数据；
9.s2，利用所述训练集建立粉末粒度分布特征参数-工艺参数-制件性能gbdt初始模型；其中，所述第一粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项；
10.s3，对所述gbdt初始模型进行优化处理，获得gbdt最佳模型；
11.s4，针对任一组预设粉末粒度分布特征参数，将多组预设工艺参数输入所述gbdt最佳模型，获得与所述多组预设工艺参数相对应的多组制件性能第一预测数据；
12.s5，根据所述多组制件性能第一预测数据确定最佳工艺参数；
13.s6，采用双峰粒度分布粉末为原料，利用所述最佳工艺参数进行增材制造，制得制件。
14.进一步的，所述第一工艺参数包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项；
15.所述第一制件性能数据包括致密度、硬度、抗拉强度、延伸率中的至少一项。
16.进一步的，所述测试集中含有多组测试数据，且每组测试数据均包括第二工艺参数、第二粉末粒度分布特征参数、第二制件性能数据；
17.优选的，所述第二粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项。
18.进一步的，步骤s3中对所述gbdt初始模型进行优化处理包括：
19.s3-1，采用random search结合k-fold cross validation算法对所述gbdt初始模型超参数进行优化设计，得到gbdt改进模型；其中，k为5、10，所述超参数包括树的数量、学习速率、最大树深度和子采样比例；
20.s3-2，采用所述测试集对所述gbdt改进模型进行预测效果评估及优化设计，获得所述gbdt最佳模型；其中，所采用的评价指标为决定系数r2、平均绝对百分比误差mape。
21.进一步的，步骤s3-2中，对所述gbdt改进模型进行预测效果评估及优化设计，包括以下步骤：
22.s3-2-1，将所述第二工艺参数、第二粉末粒度分布特征参数输入所述gbdt改进模型，得到制件性能第二预测数据；
23.s3-2-2，利用所述制件性能第二预测数据与所述第二制件性能数据，计算得到决定系数r2和平均绝对百分比误差mape；
24.s3-2-3，当决定系数r2＜预设阈值或平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化所述超参数区间及迭代次数并重复优化设计步骤s3，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计。
25.进一步的，所述超参数中树的数量、学习速率、最大树深度和子采样比例优化区间分别为1～1000、0.01～0.5、1～10和0～1，所述迭代次数为100～1500；
26.优选的，所述r2和mape的预设阈值分别为0.95和5％。
27.进一步的，所述第二工艺参数包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项；
28.所述第二制件性能数据包括致密度、硬度、抗拉强度、延伸率中的至少一项。
29.进一步的，所述训练集中数据量占所述数据集总数据量的70～80％，所述测试集中数据量占所述数据集总数据量的20～30％，所述训练集和测试集数据量占总数据量的比例之和始终为1。
30.进一步的，步骤s6具体包括：
31.利用solidworks软件按所需制件形状绘制三维模型并导出；
32.将cad模型导入快速成型辅助软件materialise magics中，按照所述最佳工艺参数对三维模型进行分层切片处理，并将得到的二维数据信息输入金属打印设备中进行制备；
33.打印完成制得所述制件。
34.进一步的，还包括步骤s7，对所述gbdt最佳模型进行优化，其中，步骤s7具体包括：
35.s7-1，对制得的所述制件进行相关性能检测，获得实验数据；
36.s7-2，将所述最佳工艺参数与所述实验数据添加至所述数据集，作为所述数据集中的一组新数据；
37.s7-3，重复步骤s1～s3，以对所述gbdt最佳模型进行优化。
38.本发明基于数据驱动的机器学习方法建立了粉末粒度特征-增材制造工艺参数-制件性能预测模型，建立了双峰粒度分布粉末成形工艺窗口，实现了高性能增材制造构件的高效制备。
39.本发明具有以下优势：
40.1)相比于传统实验试错及模拟计算等方法，本发明所采用的基于数据驱动机器学习方法不仅可以通过充分利用已有的大量增材制造产品生产及研究数据，在无需充分理解增材制造技术内部机理的情况下建立双峰粒度分布粉末工艺适配窗口，从而有效降低材料研发所需时间及经济成本；而且具有更高准确性和泛化能力。
41.2)相比于简单线性回归模型(lr模型)及高精度深度神经网络(dnn)模型，本发明提出的利用random search结合k-fold cross validation算法优化的gbdt模型，既满足了高预测精度要求又可有效减少人工及计算成本、缩短预测周期，从而实现双峰粒度分布粉末增材制造工艺参数的高效低成本设计优化。
42.3)相比于粒度单峰分布粉末，本发明提出的粒度双峰分布粉末具有更高的松装密度可有效提高粉床致密度，改善材料的热传导，从而获得致密度、表面质量及力学性能更优异的制件。
43.4)相比于粒度单峰分布粉末，本发明采用双峰分布粉末为原料制备的钛基制件，由于受粉末遗传特性影响，晶粒呈亚微米和微米级双峰尺寸分布，双尺度结构协调作用使得制件兼具高强度与高塑性。其中，细晶导致晶界总面积增加从而增大了位错迁移阻力，有效提升了合金强度，而粗晶粒可容纳更多位错从而提升合金塑性。
44.4)粒度分布范围较宽的双峰粉末使激光在粉末颗粒之间经过多次反射后才被基板与周围环境吸收，提高了激光能量吸收率，从而使得在激光功率相同时可采用更高扫描
速度进行高效率加工制备。
45.5)粉末粒度级配方法扩大了增材制造用粉末粒度范围(单峰粉末15～53μm，双峰粉末0～90μm)，提高了粒度》53μm的粗粉以及≤15μm细粉的利用率，可有效降低原料粉末成本。
附图说明
46.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
47.图1为本发明提供的实施例中增材制造制备方法的流程图。
具体实施方式
48.下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
49.本发明以双峰粉末为原料并开发一种新方法以快速建立该双峰粉末工艺适配性窗口，从而实现基于粒度双峰分布粉末高性能增材制造制件的低成本快速响应制备，是推动增材制造技术进一步广泛应用的关键。
50.本发明中的制备方法首先通过公开文献、实验及模拟计算等方式获取粉末粒度分布特征参数、工艺参数、制件性能数据，建立高质量样本数据集；在此基础上，采用机器学习方法通过数据挖掘揭示粉末粒度分布特征、激光粉末床熔融技术主要工艺参数及制件性能三者之间的复杂隐式关系，构建粉末粒度分布特征-工艺参数-制件性能机器学习模型；随后通过输入粉末粒度分布特征数据及工艺参数即可获得对应的制件性能数据，从而快速精准确定最佳工艺参数，并高效完成增材制造制件的制备。
51.本发明中基于机器学习的高性能制件的增材制造制备方法包括以下步骤：
52.s1，建立数据集；其中，数据集分为训练集和测试集。
53.s1-1，从材料数据库、公开发表的高质量文献、实验数据中获取粉末粒度分布特征参数、工艺参数、制件性能数据，建立初始数据集；
54.s1-2，对初始数据集进行归一化处理，获得数据集。
55.在本发明的实施例中，训练集中含有多组训练数据，且每组训练数据均包括第一工艺参数、第一粉末粒度分布特征参数、第一制件性能数据。
56.在本发明的实施例中，第一粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项。
57.在本发明的实施例中，第一工艺参数包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项。
58.在本发明的实施例中，第一制件性能数据包括致密度、硬度、抗拉强度、延伸率中的至少一项。
59.在本发明的实施例中，测试集中含有多组测试数据，且每组测试数据均包括第二
工艺参数、第二粉末粒度分布特征参数、第二制件性能数据。
60.在本发明的实施例中，第二粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项。
61.在本发明的实施例中，第二工艺参数包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项。
62.在本发明的实施例中，第二制件性能数据包括致密度、硬度、抗拉强度、延伸率中的至少一项。
63.在本发明的实施例中，训练集中数据量占数据集总数据量的70～80％，测试集中数据量占数据集总数据量的20～30％，所述训练集和测试集数据量占总数据量的比例之和始终为1。
64.s2，利用训练集建立粉末粒度分布特征参数-工艺参数-制件性能gbdt初始模型。
65.值得一提的是，本发明采用训练集进行模型训练，以训练集中的第一粉末粒度分布特征参数及第一工艺参数作为输入数据、第一制件性能数据作为输出数据，可以设置超参数树的数量(n_estimator)为500、学习速率(learning_rate)为0.03、最大树深度(max_depth)为5以及子采样比例(subsample)为1。
66.当然，上述四个超参数的设置可以根据需要进行调整，不作具体限定。
67.s3，对gbdt初始模型进行优化处理，获得gbdt最佳模型。
68.s3-1，采用random search(rs)结合k-fold cross validation算法对gbdt初始模型超参数进行双重优化处理，得到gbdt改进模型；其中，k为5、10，random search算法优化超参数n_estimator、learning_rate、max_depth和subsample区间分别为1～1000、0.01～0.5、1～10和0～1，迭代次数n_iter为100～1500。
69.需要说明的是，k值可以取5或10，当然也可以根据实际需要进行设计，不作具体要求。
70.s3-2，采用测试集对gbdt改进模型进行预测效果评估及优化设计，获得gbdt最佳模型。
71.s3-2-1，将第二工艺参数、第二粉末粒度分布特征参数输入gbdt改进模型，得到制件性能第二预测数据。
72.s3-2-2，利用制件性能第二预测数据与第二制件性能数据，计算得到决定系数r2和平均绝对百分比误差mape。
73.s3-2-3，判断决定系数r2是否大于或等于预设阈值或者平均绝对百分比误差mape是否小于或等于预设阈值；
74.当决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计；其中，gbdt改进模型即为gbdt最佳模型；
75.当决定系数r2＜预设阈值或者平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化参数(n_estimator、learning_rate、max_depth、subsample)区间及迭代次数(n_iter)并重复优化设计步骤s3，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计，获得gbdt最佳模型。
76.本发明中所采用的模型评价指标为决定系数r2和平均绝对百分比误差mape，r2值在0～1范围内，且越接近1表明模型精度越高，mape其值越小表明模型精度越高。
77.作为本发明的实施方式，r2和mape的预设阈值分别为0.95和5％。
78.s4，针对任一组预设粉末粒度分布特征参数，将多组预设工艺参数输入gbdt最佳模型，获得与多组预设工艺参数相对应的多组制件性能第一预测数据。
79.在本发明的实施例中，可以从预先设定的工艺参数范围中选择多组工艺参数输入到gbdt最佳模型中，从而获得相对应的多组制件性能第一预测数据。
80.值得一提的是，预设粉末粒度分布特征参数可以设置多组，并且针对任一组预设粉末粒度分布特征参数都可以设置多组预设工艺参数，以获得与其相对应的多组制件性能第一预测数据。
81.在本发明的实施例中，粉末粒度分布特征参数也可以根据实际需要进行预先设定，比如预先设定粒度范围≤60μm，平均粒径为12μm、33μm，针对该粉末粒度分布特征参数再设计多组预设工艺参数，以获得与其相对应的多组制件性能第一预测数据。
82.s5，根据多组制件性能第一预测数据确定最佳工艺参数。
83.在本发明的实施例中，可以通过对比分析所要获得制件的性能要求与制件性能第一预测数据来筛选确定最佳工艺参数，克服现有技术在工艺参数优化设计时成本高、周期长、准确性较低的问题，从而实现高性能增材制造制件的快速制备。
84.s6，采用双峰粒度分布粉末为原料，利用最佳工艺参数进行增材制造，制得制件，具体包括：
85.利用solidworks软件按所需制件形状绘制三维模型并导出；
86.将cad模型导入快速成型辅助软件materialise magics中，按照最佳工艺参数对三维模型进行分层切片处理，并将得到的二维数据信息输入金属打印设备中进行制备；
87.打印完成制得制件。
88.本发明中为了实现增材制造工艺参数的更加精确设计，以实现增材制造工艺的高效制备，在上述的制备方法的基础上进行模型优化，进一步提高模型精度。
89.s1，建立数据集；
90.s2，利用训练集建立粉末粒度分布特征参数-工艺参数-制件性能gbdt初始模型；其中，第一粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项；
91.s3，对gbdt初始模型进行优化处理，获得gbdt最佳模型；
92.s4，针对任一组预设粉末粒度分布特征参数，将多组预设工艺参数输入gbdt最佳模型，获得与多组预设工艺参数相对应的多组制件性能第一预测数据；
93.s5，根据多组制件性能第一预测数据确定最佳工艺参数；
94.s6，采用双峰粒度分布粉末为原料，利用最佳工艺参数进行增材制造，制得制件；
95.s7，对gbdt最佳模型进行优化：
96.s7-1，对制得的制件进行相关性能检测，获得实验数据；
97.s7-2，将最佳工艺参数与实验数据添加至数据集，作为数据集中的一组新数据；
98.s7-3，重复步骤s1～s3，以对gbdt最佳模型进行优化。
99.值得一提的是，可以计算获得制件性能实验值与预测值之间的误差百分比，通常误差在5％以内即表明模型精度满足要求。
100.以下将通过具体实施例对本发明中基于机器学习的高性能制件的增材制造制备方法进行详细说明。
101.实施例1：
102.以基于双峰粉末的选择性激光熔化成形ti-6al-4v合金制件性能中致密度的快速精准预测为例进行说明基于机器学习的最佳工艺参数的确定及制件制备方法，具体步骤如下：
103.1)建立初始数据集：从公开文献、实验及生产数据中抓取粒度分布特征参数、选择性激光熔化技术工艺参数、钛合金性能数据，建立初始数据集。
104.2)归一化处理：将初始数据集中的粒度分布特征参数、工艺参数与制件致密度数据分别进行归一化处理(0～1)，获得数据集；其中，数据集分为训练集和测试集，训练集中数据量占数据集总数据量的80％，测试集中数据量占数据集总数据量的20％。
105.3)建立粉末粒度分布特征参数-工艺参数-制件性能gbdt初始模型：以训练集中粉末粒度分布特征数据和工艺参数作为输入数据、制件性能数据作为输出数据，设置n_estimator为500、learning_rate为0.01、max_depth为5以及subsample为1。
106.4)利用random search结合k-fold cross validation算法对上述gbdt初始模型进行改进，获得gbdt改进模型，其中，k＝5，random search算法优化超参数n_estimator、learning_rate、max_depth和subsample区间分别为1～1000、0.01～0.5、1～10和0～1，迭代次数n_iter为1000；同时，可以对比改进前后模型的决定系数r2，其中，改进前r2＝0.89，改进后r2＝0.99。
107.5)利用测试集对gbdt改进模型准确性进行评估，具体的，将每组测试数据的粉末粒度分布特征数据以及选择性激光熔化技术工艺参数作为输入数据，获得制件致密度第二预测数据(对应制件性能第二预测数据)，然后利用该制件致密度第二预测数据与每组测试数据中的制件致密度数据(对应第二制件性能数据)计算得到决定系数r2＝0.98、mape＝1.65％(满足≥0.95条件且mape≤5％条件)，该gbdt改进模型也即视为gbdt最佳模型。
108.6)针对具有一定粒度分布特征(粒度范围≤60μm，平均粒径12μm、33μm)的ti-6al-4v合金粉末，以激光功率、扫描速度、扫描间距和铺粉层厚作为4个因素并为每个因素确定3个水平进行工艺参数正交设计，得到多组预设工艺参数并将多组预设工艺参数及原料粉末粒度特征作为输入数据输入gbdt最佳模型，得到与多组预设工艺参数对应的致密度第一预测数据(对应材料性能第一预测数据/预测值)，如表1所示。
109.7)根据表1中多组致密度第一预测数据筛选确定最佳工艺参数，筛选依据为致密度≥98％。
110.8)利用上述最佳工艺参数，以上述粒度双峰分布ti-6al-4v粉末为原料，利用选择性激光熔化技术成形制件，具体步骤如下：利用solidworks软件按所需零件形状绘制三维模型并导出；将cad模型导入快速成型辅助软件materialise magics中，按照步骤7)中最佳工艺参数进行分层切片处理，将得到的二维数据信息输入金属打印设备中并开始打印；打印完成制得制件；将得到的制件在酒精中超声清洗20min，然后在真空干燥箱中干燥处理30min，干燥处理温度为60℃；通过阿基米德排水法测试干燥处理后的制件致密度(对应实验数据/实验值)，结果如表1所示。
111.9)比较预测值与实验值之间的误差百分比，以判断模型准确度，同时将实测数据添加到建立的数据集中，通过实验数据迭代反馈不断提高模型预测精度和泛化能力。
112.表1工艺参数设计及其对应制件致密度第一预测数据和实验数据
[0113][0114][0115]
由表1可知，成形钛合金制件的致密度实验值与预测值之间的误差百分比在0.81～1.15％范围内，表明本发明建立的粉末粒度分布特征参数-工艺参数-钛合金性能gbdt模型精度高(通常误差在5％以内即表明模型精度满足要求)，可实现选区激光熔化钛合金制件致密度要求的工艺参数的快速精准预测，以及制件的高效制备。其中，实施例1中的最佳工艺参数选取范围为激光功率100～200w、扫描速度600～1400mm/s、扫描间距0.08～0.2mm、铺粉层厚0.02～0.04mm。
[0116]
实施例2：
[0117]
以基于双峰粉末的选择性激光熔化成形纯钛制件性能(抗拉强度、延伸率)的快速精准预测为例进行说明基于机器学习的最佳工艺参数的确定及制件制备方法，具体步骤如下：
[0118]
1)建立初始数据集：从公开文献、实验及生产数据中抓取粉末粒度分布特征参数、选择性激光熔化技术工艺参数、纯钛制件性能数据，建立初始数据集。
[0119]
2)归一化处理：将初始数据集中的粉末粒度分布特征参数、工艺参数与性能数据分别进行归一化处理(0～1)，获得数据集；其中，数据集分为训练集和测试集，训练集中数据量占数据集总数据量的70％，测试集中数据量占数据集总数据量的30％。
[0120]
3)建立粉末粒度分布特征参数-工艺参数-制件性能gbdt初始模型：以训练集中的粉末粒度分布特征数据和工艺参数作为输入数据，以制件性能数据作为输出数据，设置n_estimator为500、learning_rate为0.02、max_depth为6以及subsample为0。
[0121]
4)利用random search结合k-fold cross validation算法对上述gbdt初始模型进行改进，获得gbdt改进模型，其中，k＝10，超参数n_estimator、learning_rate、max_depth和subsample优化区间分别为1～1000、0.01～0.5、1～10和0～1，所述迭代次数n_iter为500；同时，对比改进前后模型的决定系数r2，其中，改进前r2＝0.92，改进后r2＝
0.97。
[0122]
5)利用测试集对gbdt改进模型准确性进行评估，具体的，将每组测试数据的粉末粒度分布特征数据以及选择性激光熔化技术工艺参数作为输入数据，获得制件致密度第二预测性能数据(对应制件性能第二预测数据)，然后利用该制件致密度第二预测数据与每组测试数据中的制件致密度数据(对应第二制件性能数据)计算得到决定系数r2＝0.93≤0.95；之后重新设定迭代次数n_iter为900，并再次进行测试，计算得到决定系数r2＝0.97≥0.95、mape＝3.02％≤5％，获得gbdt最佳模型。
[0123]
6)针对具有一定粒度分布特征(粒度范围≤53μm，平均粒径8μm、28μm)的纯钛双峰粉末，以激光功率、扫描速度、扫描间距和铺粉层厚作为4个变量进行工艺参数组合设计，得到多组预设工艺参数并将多组预设工艺参数及双峰原料粉末粒度特征作为输入数据输入gbdt最佳模型，得到与多组预设工艺参数对应的抗拉强度和延伸率预测数据(对应材料性能第一预测数据/预测值)，如表2所示。
[0124]
7)根据表2中抗拉强度和延伸率预测数据筛选确定最佳工艺参数，筛选依据为抗拉强度≥895mpa且延伸率≥10％(astm b381标准锻造ti-6al-4v合金性能)。
[0125]
8)采用上述的最佳工艺参数，以上述双峰纯钛粉末为原料，利用选择性激光熔化技术成形制件，具体步骤如下：利用solidworks软件按所需零件形状绘制三维模型并导出；将cad模型导入快速成型辅助软件materialise magics中，按照步骤7)中最佳工艺参数进行分层切片处理，将得到的二维数据信息输入金属打印设备中并开始打印；打印完成制得制件；将得到的制件在酒精中超声清洗20min，然后在真空干燥箱中干燥处理30min，干燥处理温度为60℃；通过拉伸试验机进行拉伸性能测试，结果如表2所示。
[0126]
9)比较预测值与实验值之间的误差百分比，并将实验数据添加到建立的数据集中，通过实验数据迭代反馈不断提高模型预测精度和泛化能力。
[0127]
表2工艺参数设计及其对应抗拉强度、延伸率的第一预测数据和实验数据
[0128][0129]
从表2中可以看出，抗拉强度和延伸率的误差范围分别在0.91～1.87％和2.13～2.82％之间，均小于5％，故训练的模型精度较高，可实现选区激光熔化纯钛拉伸力学性能的快速精准预测以及制件的高效制备。其中，实施例2中的最佳工艺参数选取范围为激光功率160～225w、扫描速度800～900mm/s、扫描间距0.11～0.16mm。
[0130]
本发明中以双峰粉末为原料，结合基于数据驱动机器学习方法构建的粉末粒度分布特征-增材制造工艺参数-制件性能预测模型，能够实现高性能增材制造制件的高效率制备。
[0131]
需要说明的是，本发明的说明书和权利要求书中的术语“包括”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列部件不必限于清楚地列出的那些部件，而是可包括没有清楚地列出的或对于部件固有的其它部件。
[0132]
本发明中涉及的“第一”、“第二”等的描述，该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
[0133]
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0134]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于机器学习的高性能制件的增材制造制备方法，其特征在于，包括以下步骤：s1，建立数据集；其中，所述数据集分为训练集和测试集；所述训练集中含有多组训练数据，且每组训练数据均包括第一工艺参数、第一粉末粒度分布特征参数、第一制件性能数据；s2，利用所述训练集建立粉末粒度分布特征参数-工艺参数-制件性能gbdt初始模型；其中，所述第一粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项；s3，对所述gbdt初始模型进行优化处理，获得gbdt最佳模型；s4，针对任一组预设粉末粒度分布特征参数，将多组预设工艺参数输入所述gbdt最佳模型，获得与所述多组预设工艺参数相对应的多组制件性能第一预测数据；s5，根据所述多组制件性能第一预测数据确定最佳工艺参数；s6，采用双峰粒度分布粉末为原料，利用所述最佳工艺参数进行增材制造，制得制件。2.如权利要求1所述的增材制造制备方法，其特征在于，所述第一工艺参数包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项；所述第一制件性能数据包括致密度、硬度、抗拉强度、延伸率中的至少一项。3.如权利要求1所述的增材制造制备方法，其特征在于，所述测试集中含有多组测试数据，且每组测试数据均包括第二工艺参数、第二粉末粒度分布特征参数、第二制件性能数据；优选的，所述第二粉末粒度分布特征参数包括粒度分布范围、平均粒径中的至少一项。4.如权利要求3所述的增材制造制备方法，其特征在于，步骤s3中对所述gbdt初始模型进行优化处理包括：s3-1，采用random search结合k-fold cross validation算法对所述gbdt初始模型超参数进行双重优化处理，得到gbdt改进模型；其中，k为5、10，所述超参数包括树的数量、学习速率、最大树深度和子采样比例；s3-2，采用所述测试集对所述gbdt改进模型进行预测效果评估及优化设计，获得所述gbdt最佳模型；其中，所采用的评价指标为决定系数r2、平均绝对百分比误差mape。5.如权利要求4所述的增材制造制备方法，其特征在于，步骤s3-2中，对所述gbdt改进模型进行预测效果评估及优化设计，包括以下步骤：s3-2-1，将所述第二工艺参数、第二粉末粒度分布特征参数输入所述gbdt改进模型，得到制件性能第二预测数据；s3-2-2，利用所述制件性能第二预测数据与所述第二制件性能数据，计算得到决定系数r2和平均绝对百分比误差mape；s3-2-3，当决定系数r2＜预设阈值或者平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化所述超参数区间及迭代次数并重复优化设计步骤s3，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计。6.如权利要求5所述的增材制造制备方法，其特征在于，所述超参数中树的数量、学习速率、最大树深度和子采样比例优化区间分别为1～1000、0.01～0.5、1～10和0～1，所述迭代次数为100～1500；优选的，所述r2和mape的预设阈值分别为0.95和5％。7.如权利要求3所述的增材制造制备方法，其特征在于，所述第二工艺参数包括激光功
率、扫描速度、扫描间距、铺粉层厚中的至少一项；所述第二制件性能数据包括致密度、硬度、抗拉强度、延伸率中的至少一项。8.如权利要求1所述的增材制造制备方法，其特征在于，所述训练集中数据量占所述数据集总数据量的70～80％，所述测试集中数据量占所述数据集总数据量的20～30％，所述训练集和测试集数据量占总数据量的比例之和始终为1。9.如权利要求1所述的增材制造制备方法，其特征在于，步骤s6具体包括：利用solidworks软件按所需制件形状绘制三维模型并导出；将cad模型导入快速成型辅助软件materialise magics中，按照所述最佳工艺参数对三维模型进行分层切片处理，并将得到的二维数据信息输入金属打印设备中进行制备；打印完成制得所述制件。10.如权利要求1所述的增材制造制备方法，其特征在于，还包括步骤s7，对所述gbdt最佳模型进行优化，其中，步骤s7具体包括：s7-1，对制得的所述制件进行相关性能检测，获得实验数据；s7-2，将所述最佳工艺参数与所述实验数据添加至所述数据集，作为所述数据集中的一组新数据；s7-3，重复步骤s1～s3，以对所述gbdt最佳模型进行优化。

技术总结
本发明提供了一种基于机器学习的高性能制件的增材制造制备方法，该制备方法以双峰粒度分布粉末为原料，结合基于数据驱动机器学习方法构建的粉末粒度分布特征-工艺参数-制件性能预测模型，能够实现高性能增材制造构件的高效率制备，以克服现有技术中航空航天等高端装备领域用高性能复杂结构制件制备所面临的问题。问题。问题。


技术研发人员：路新 于爱华 徐伟
受保护的技术使用者：北京科技大学
技术研发日：2023.05.10
技术公布日：2023/9/23