中南大学顶刊丨AI 赋能增材制造NiTi基形状记忆合金：进展与机遇
摘要增材制造（AM）NiTi 基形状记忆合金（SMAs）凭借独特功能特性与极致设计自由度，在航空航天与生物医疗器件领域具备变革性应用潜力。但增材制造本征多物理场复杂性，易导致不同批次、设备间的显微组织、相变行为与热机械性能不一致，阻碍其可靠工程应用。本文系统梳理人工智能（AI）如何突破上述瓶颈：分析机器学习在工艺参数优化、相变温度预测、缺陷抑制方面的应用；探索 AI 驱动的合金设计策略，凸显迁移学习利用传统加工数据加速新型 NiTi 基成分开发的优势；论述 AI 赋能的多尺度结构优化，包括计算机视觉与生成式模型设计可编程力学响应的复杂点阵结构。最后指出多源数据融合、CALPHAD 集成热力学数据库、大语言模型等新兴方向，有望彻底革新增材制造 NiTi 记忆合金的研发范式。这些 AI 强化方法共同解决实验室成果向工业化应用转化的核心难题，实现对多功能 NiTi 基合金工艺 - 组织 - 性能关系的前所未有的精准调控。文章亮点全球首篇从全流程 - 工艺 - 组织 - 性能 - 功能视角，系统梳理 “AI + 增材制造 NiTi 合金” 的完整研究版图； 定位升级不将 AI 作为辅助优化工具，而是作为串联合金成分设计、工艺优化、组织调控、结构设计与性能定制的统一框架； 前沿拓展首次专门论述生成式模型、知识图谱、大语言模型在增材制造 NiTi 合金中的作用与前景； 落地导向直面工业化痛点（批次一致性、成分设计、多尺度组织控制、结构功能一体化），给出 AI 解决方案。 图 1 增材制造 NiTi 基形状记忆合金的应用与影响因素 图 2 增材制造 NiTi 基形状记忆合金多维度特征 图 3 增材制造 NiTi 基记忆合金显微组织特征a) 原子尺度：点缺陷b) 微尺度：团簇、位错、晶界、析出相c) 细观尺度：晶粒分布与形貌d) 宏观尺度：气孔、球化等缺陷e) 热循环下 NiTi 合金多级组织特征与演化机制f) 激光增材制造过程熔池动态演化机制 图 4 激光粉末床熔融（LPBF）NiTi 合金相变行为a–c) 不同扫描速度、扫描间距、激光功率下 LPBF NiTi 合金 DSC 曲线d) LPBF 与铸造 NiTi 合金 DSC 曲线对比e) 制备态、退火态、固溶处理态 LPBF NiTi 合金 Ms 温度演化f) Ni50.8Ti49.2 粉末、打印态、固溶处理态样品 DSC 曲线g–h) 不同激光功率、扫描速度下 Ni50.6Ti49.4 合金 Mp、Ms 温度变化 图 5 LPBF 制备 NiTi 合金热机械性能a–b) 时效处理后 3D 打印 NiTi 合金不同循环次数的循环加载曲线与热效应变化c) 时效处理后打印合金中 Ni4Ti3 析出相形貌与分布d) 打印 + 热处理 NiTi 合金拉伸性能曲线e) 热处理后 NiTi 合金形状记忆效应与回复性能曲线f) 打印 + 热处理后 NiTi 合金中 Ti2Ni 析出相形貌与分布g) 打印 NiTi 合金长周期超弹性回复性能测试曲线h) 打印 NiTi 合金极图i) 打印 NiTi 合金中 Ni4Ti3 析出相形貌与分布 图 6 NiTi 增材制造工艺优化演进：正交实验→经验模型→AI 分类a–c) 正交实验优化工艺参数d) 冶金分析模型将工艺参数转化为熔池几何特征，建立缺陷判据e–f) 分析模型预测熔池几何特征，构建 NiTi 合金工艺窗口g–h) 基于单道实验数据校准与验证缺陷预测模型i–j) 基于实验数据与 AI 技术构建通用可打印性概率图 图 7 AI 驱动增材制造 NiTi 基合金性能预测与调控a) 工艺 - 性能预测机器学习模型的输入、输出与隐藏层结构b) 神经网络模型预测 3D 打印 NiTi 合金相变温度与回复应变与实验值差异c) 基于梯度提升回归模型的特征重要性筛选d) 机器学习预测马氏体起始温度随能量密度变化趋势e) 机器学习预测 Ms 温度随激光功率与扫描速度变化云图 图 8 机器学习驱动的逆向设计a–b) 基于专有小样本实验数据的机器学习工艺协同优化c) 多目标优化框架d) 粉末床熔融（PBF）NiTi 合金性能优化结果e) 满足特定性能需求的 PBF NiTi 合金多目标工艺逆向优化平行极坐标图 图 9 AI 驱动增材制造 NiTi 基形状记忆合金设计策略 图 10 AI 在增材制造 NiTi 基形状记忆合金多尺度结构优化中的潜在应用a–c) 增材制造 NiTi 基合金不同尺度典型显微组织特征（纳米析出相、晶粒尺寸与取向、孔隙与裂纹）d–f) 增材制造 NiTi 合金超结构典型构型（负泊松比结构、拓扑结构、LPBF 制备点阵结构） 图 11 多源数据融合挑战与迁移学习策略 图 12 NiTi 基形状记忆合金 CALPHAD 数据库构建，为 AI 驱动增材制造提供精准数据支撑 图 13 大模型在增材制造 NiTi 合金领域的潜在应用 结论/展望本文系统阐述人工智能与 NiTi 基形状记忆合金增材制造的融合进展，揭示激光增材制造非平衡凝固过程带来的多尺度组织、相变行为、热机械性能独特特性。针对增材制造 NiTi 合金的核心难题（Ni 挥发导致批次不一致、成分设计方法缺失、多尺度组织控制困难、传统工艺 - 性能优化框架局限），AI 驱动方法实现工艺参数 - 显微组织 - 功能性能跨尺度精准关联，带来三大核心突破：工艺优化AI 更适配相变敏感指标（Ms、热滞后、循环超弹性稳定性），而非传统强度指标； 成分设计AI 结合迁移学习，可定量补偿 Ni 挥发、成分偏析带来的性能偏移，保障成分可靠性； 结构设计AI 代理模型可一体化优化显微组织与宏观结构，实现可编程超弹性 / 弹热响应，不降低功能疲劳寿命。 未来方向：多源数据融合 + 迁移学习，解决增材制造 NiTi 数据稀缺与异质性问题；CALPHAD 热力学数据库 + 机器学习，嵌入相稳定性与马氏体相变能量学，保证物理一致性；大语言模型 + 知识图谱，实现全流程知识整合、假设生成与决策支持，推动从 “试错研发” 向AI orchestrated 功能驱动设计转变，支撑航空航天、生物医疗、固态热管理等高可靠应用。 来源：增材制造硕博联盟
