增材制造金属部件的微观结构至关重要，因为它们决定了机械性能。由于连续的重熔和再加热效应，分层打印过程中微观结构的演变非常复杂。由于缺乏有效的亚表面温度测量技术，目前研究这种现象的方法依赖于耗时的数值模型，例如有限元分析。此外，使用传统的解调方法，其空间分辨率限制在毫米级，由于传感器易碎，在激光增材制造过程中嵌入它具有挑战性。

近日，弗吉尼亚理工大学Zhenyu (James) Kong实现了一种机器学习辅助方法，将光信号解调为热分布，并将空间分辨率从原来的毫米级显着提高到28.8µm。

文章要点

1）研究人员还开发了一种传感器嵌入技术，以最大限度地减少对传感器和部件的损坏，同时确保紧密接触。

2）案例研究表明，所提出的传感器在测量激光粉末床熔合过程中的急剧热梯度和快速冷却速率方面具有出色的性能。

所开发的传感器在研究金属增材制造工艺的基础物理方面具有良好的潜力。

参考文献

Wang, R., Wang, R., Dou, C. et al. Sub-surface thermal measurement in additive manufacturing via machine learning-enabled high-resolution fiber optic sensing. Nat Commun 15, 7568 (2024).

DOI：10.1038/s41467-024-51235-7

https://doi.org/10.1038/s41467-024-51235-7