特别说明：本文由学研汇技术中心原创撰写，旨在分享相关科研知识。因学识有限，难免有所疏漏和错误，请读者批判性阅读，也恳请大方之家批评指正。锁孔的危害及检测的必要性
经过三十多年的密集研究和开发，激光粉末床熔融(LPBF)已经发展成为一种方便快捷、设计周期短的金属增材制造技术。作为一种主要的金属增材制造技术，LPBF能够制造具有复杂几何形状和精细特征的零件。然而，在LPBF发挥其作为颠覆性制造技术的全部潜力之前，仍然需要克服一些技术障碍。在典型的LPBF工艺中，使用高功率激光束局部熔化和固化金属粉末，逐层形成三维(3D)物体。打印过程中涉及的极端热条件会触发瞬态现象和复杂的结构动力学，往往会导致结构缺陷，如多孔性。其中一种常见的孔隙度是由蒸汽凹陷带的瞬间坍塌引起的，称为锁孔孔隙度。锁孔壁上不均匀的激光吸收产生了局部热点，导致反冲压力、蒸汽动压、毛细力和马兰戈尼力之间的不平衡。在不稳定的锁孔条件下，气泡将锁孔尖端掐断，部分气泡被前进的凝固前沿截留，最终成为孔隙缺陷。即使为打印某些材料而优化了初始机器设置，零件中仍可能存在锁孔孔隙。LPBF锁孔生成的实时检测不仅对于促进建造后零件的询问和鉴定至关重要，而且对于开发闭环控制系统至关重要，该系统可以预测建造过程中局部变化的需求。光学和声学传感器通常被用作过程监测器，数据分析方法已经开发出来，将过程特征与孔隙度联系起来。尽管该领域已经取得了一些成功，特别是在机器学习的应用方面，在区分孔隙倾向条件和正常条件方面取得了一些成功，但在局部和瞬时检测锁眼孔隙的生成仍然具有挑战性。问题本源是因为锁孔孔隙生成的随机性质有其他物理根源，而不仅仅是处理参数漂移的明显原因。在不稳定锁孔条件下的激光扫描中，气泡形成的确切位置是随机的，哪些气泡最终会成为孔隙缺陷，哪些气泡会被锁孔重新捕获并消失是不确定的。
解决方案
有鉴于此，美国弗吉尼亚大学Tao Sun等利用高速同步X射线和热成像技术，发现了Ti-6Al-4V在不稳定锁孔条件下的两种锁孔振荡模式。后通过集成实验数据、多物理场模拟和机器学习开发了一种检测锁眼孔隙生成的方法。LPBF过程的X射线图像为校准和验证理论模型以及训练机器学习算法提供了数据丰富的地面真相。论文以《Machine learning–aided real-time detection of keyhole pore generation in laser powder bed fusion》题发表在Science上。
研究结论
在美国阿贡国家实验室先进光子源的32-ID-B光束线上进行了operando实验(图1A)。高能X射线通过单层粉末床或裸基底样品来揭示亚表面结构动力学。的高斯分布的连续波模式光纤激光器(波长1070 nm)以不同的功率和速度沿单一直线扫描样品收集单轨道熔化事件的X射线图像(图1C)。同时在可见光到红外光谱范围内采集了熔体轨迹的热图像(图1B)。通过设置阈值，将二维光学图像压缩成一维图(图1D)。对分割的1D数据集进行了小波分析，以创建尺度图揭示时域局部的特征振荡(图1E)。将短窗尺度图输入卷积神经网络(CNN)，用于预测锁孔孔隙生成事件(图1F)。
利用热成像技术检测小孔生成的方法是在观察和理解小孔振荡的基础上发展起来的。研究将这两种模式定义为本征振荡和微扰振荡。稳定锁孔和不稳定锁孔均存在本构振荡(图2A-F)，是马兰戈尼力、表面张力和后坐力之间变化平衡的结果。在一个振荡周期内(图2C-F)中，当锁孔边缘开口最小时，锁孔后壁直接暴露在入射激光束下，并被加热至高温(图2C)。马兰戈尼力使热液体对流(图2D)。熔池表面的液体流动扩大了锁孔的开口并使其冷却。当大部分热液向后流动时，锁孔温度降至最低，开孔达到最大。此后，由于锁孔周围的温度梯度大大减小，马朗戈尼力变得可以忽略不计。近红外(NIR)相机收集的锁孔热信息作为本征振荡的指标(图2)：不稳定锁孔条件下的本振机制与稳定锁孔条件下的本振机制相同。在不稳定的锁孔条件下，本征振荡不是造成锁孔孔隙产生的原因。这是因为即使可能会有暂时的锁眼塌陷和气泡产生，本然振荡所涉及的强大的向前液体流动可以将气泡推向前进的激光，并使其被快速钻开的锁眼捕获。
微扰振荡仅发生在不稳定锁孔条件下(图2)。不稳定的锁孔具有锁孔壁上高度动态的突出结构。匙孔前壁上的突起有两个影响：i)突起物使其正下方的液体不被入射激光直接加热。因此，突出物上方和下方的液体之间产生了很大的温差，形成了复杂的流动模式。马兰戈尼力驱使热液体向上和向后移动，使锁孔边缘打开(图2H)。ii)凸起将入射激光反射到锁孔后壁的中上区域，形成局部热点，锁孔底部反冲压力减小。这两种效应都增加了锁孔壁坍塌的几率(图2B)。一旦发生坍塌，新的锁孔直接暴露在激光下，该锁孔的温度升高(图2G)。然后，高反冲压力迅速向下推锁孔。同时，马兰戈尼力将热液体从新生锁孔底部输送到后缘，促进了钻孔过程。在此过程中，锁孔前壁出现了一个新的突起，开始了新的扰动振荡周期。高频微扰振荡是Ti-6Al-4V中产生锁孔气孔的另一个原因。一旦钥匙孔倒塌，钥匙孔的下部从上部分离，出现作为一个气泡掐掉钥匙孔尖端。然后通过新的锁孔将气泡向下和向后推(图2B)。当气泡远离锁孔时，其运动主要受熔池内流体流动的控制。很少有孔隙能够通过流向熔池表面或循环回锁孔而逸出，而大多数孔隙被前进的凝固前沿捕获并成为孔隙缺陷。本征振荡和微扰振荡的不同频率使我们能够以高保真和高分辨率探测锁孔。研究基于机器学习，使用标记的尺度图片段来训练CNN算法，将测试数据分类为“孔隙”和“非孔隙”情况。使用机器学习方法实现高预测率的一个关键因素是准确的数据标注。错标率越大，机器学习算法的性能越差(图3)。不同于先前研究，本研究的operando同步加速器x射线成像实验中，不仅可以测量小孔的最终位置，还可以测量气泡形成的确切时刻(图3)。数据线性回归结果表明，非原位标记可导致孔隙发生时间的不确定性增加~0.4 ms，导致预测率显著降低(图3F)。通过校准模拟，优化的热成像方案和机器学习算法，研究展示了两种不需要额外的同步加速器实验的实用方法：第一种是通过添加0.4 ms来校准前位置标记的时间，以更好地表示锁孔孔隙形成的时刻。时间戳的校准降低了误标率(图3E)，显著提高了预测精度(图3F)。第二种是使用校准良好的模拟来训练机器学习模型。对实验数据进行测试，平板和粉末床样品的预测准确率分别为85%和87%。显然，第二种方法预测粉末床样品中孔隙的生成更加困难。这种差异强调了开发更复杂的LPBF模型的必要性，其中应该考虑控制粉末运动和蒸汽羽流动力学的物理。
结语
研究通过operando X射线成像获得的孔隙特征，结合机器学习，实现了以100%的精度和亚毫秒级的时间分辨率检测粉末床样品中锁孔孔的生成。离轴检测方案和仅需要1D数据序列，对于没有预先安装同轴成像光学或高性能计算硬件的现有LPBF系统特别方便。通过检测锁孔和熔池的振荡行为来检测结构异常的策略具有通用性和实用性。研究相信建立在这一核心概念上的过程监控系统将促进金属AM零件的资格和认证。ZHONGSHUREN et al. Machine learning–aided real-time detection of keyhole pore generation in laser powder bed fusion. Science. 2023, 379: 89-94.DOI：10.1126/science.add4667https://www.science.org/doi/10.1126/science.add4667
