嵌入机器学习的数据-物理框架实现3D打印渗透性可控设计与优化
增材制造工艺可以通过在零件的特定部位生成孔隙,进而制备多孔结构。其渗透性和机械性能在很大程度上依赖于孔隙形态,而孔隙的控制和优化通常需要设计师的经验与反复实验。本研究结合有限元分析与机器学习方法,建立了一个工艺–孔隙–渗透关联模型,用于实现渗透性可控逆设计与优化。通过建立人工神经网络(ANN),以准确预测孔隙率与工艺参数之间的复杂关系(Ⅰ)。同时,采用有限元分析(FEA)方法模拟多孔材料在不同孔隙率条件下的渗透行为,揭示孔隙率对流体流动的具体影响规律(Ⅱ)。基于该模型,制造出区域化孔隙率分布的多孔结构,并根据性能需求准确预测相应的工艺参数范围,预测误差在8.9%以内,避免了传统方法中需要通过反复实验来调试参数的过程,提高了设计和生产的效率。特别地,当孔隙率在17.71%至22.33%范围内时,力学性能与渗透性能之间表现出良好的适配性(Ⅲ)。通过精确控制工艺参数,成功制造出具有高渗透率(起泡压为2.16kPa)且具有较高机械性能(196.77 MPa的屈服强度)的多孔结构。这项研究对多孔结构的增材制造具有重要意义,为灵活设计和精确控制孔隙形态、赋予材料特定功能特性提供了策略。