机器学习在增材制造中的研究进展
摘要:增材制造(Additive manufacturing,AM)技术的迅速发展为复杂结构部件的构建与功能梯度材料的实现提供了新的可能性。但是其工艺过程涉及复杂的多物理场耦合与动态演化机制,易引发孔隙、翘曲和裂纹等微观缺陷,进而对成形质量与结构性能构成严峻挑战。机器学习(Machine learning,ML)技术凭借数据驱动优势,逐步应用于增材制造的设计优化、工艺参数调整、质量预测与缺陷检测等领域。本文综述了增材制造主要工艺及其控制特性,分析了传统物理建模在复杂耦合过程下的局限性,并系统探讨了监督学习、无监督学习、深度学习与强化学习等算法在3D打印工艺参数优化、过程异常检测、内部质量评判等关键任务中的应用,最后展望了智能化AM系统在实时感知、自适应控制与反馈优化、多模态融合与物理引导建模等方向的发展潜力。
