多伦多大学顶刊丨机器学习助力激光粉末床熔融全流程优化：材料选择、工艺参数优化与过程监控
机器学习（ML）能够从海量高维数据挖掘隐藏规律与关联，为金属增材制造的研发优化提供变革性手段。本文是一篇综述文章，全面总结各类机器学习算法在两大主流激光金属增材制造工艺中的最新进展与现存挑战，从三大方向展开梳理： 1）材料选择：面向增材制造的新材料开发、金属粉末筛选； 2）工艺参数优化：工艺地图构建、多目标优化策略； 3）增材制造原位监控与质量保障：基于声发射、可见光、红外、同步辐射 X 射线、多传感器融合的传感系统。 同时文章剖析不同机器学习模型的特点、局限性、数据需求，为模型选型与试验设计提供参考。从机器学习视角，指明未来研究方向，助力自主化金属增材制造系统开发，加速激光金属增材制造工艺迭代优化。
✨文章主要亮点
✅1、全流程视角，覆盖两大主流金属增材制造工艺同时聚焦PBF‑LB/M（激光粉末床熔融）和DED‑LB/P（送粉式定向能量沉积），从原料选材→工艺参数优化→在线监控质量保障完整工艺链梳理机器学习应用，区别于大多数只聚焦单一环节的综述。
✅2、系统对比全部主流机器学习算法对线性回归、SVM、GPR、随机森林、XGBoost、ANN、CNN 等模型，总结各自优缺点、适配数据集规模、典型使用场景；重点指出高斯过程回归 GPR 非常适合小样本增材制造数据，CNN 在图像类传感监控任务表现突出。
✅3、五大传感监控方案全面盘点详细拆解声发射 AE、可见光、红外热成像、同步辐射高速 X 射线、多传感器融合 5 套原位监测方案，对比不同传感器适用缺陷类型、数据形式、机器学习实现方案，整理完整应用表格。
✅4、直面行业真实痛点，给出未来机会方向不只是罗列文献，深度剖析行业现实瓶颈：高质量数据集匮乏、模型泛化迁移差、可解释性不足、不同设备之间模型难以复用；提出物理信息融合机器学习、主动学习、大语言模型文献挖掘、回收粉末质量预测、多模态传感器融合等前沿方向。
✅5、多种先进技术结合案例汇总梳理高通量实验 HTE、CALPHAD 相图计算、多物理仿真、同步辐射 X 射线与机器学习结合的大量最新案例，给科研人员提供大量可参考思路。
✅6、明确区分两种工艺的差异性指出 DED 更适合高通量合金快速筛选；PBF/DED 各自特有缺陷、传感监测难点，工艺之间机器学习迁移存在壁垒。
图 1 两种激光金属增材制造工艺原理示意图：(a) 激光粉末床熔融 PBF‑LB/M；(b) 送粉式激光定向能量沉积 DED‑LB/P
图 2 (a) PBF‑LB/M 工艺主要缺陷与激光‑金属交互效应示意图；(b) 原位同步辐射 X 射线观测得到的缺陷与激光金属交互现象
图 3 (a) DED‑LB/P 工艺主要缺陷与激光‑金属交互效应示意图；(b) 原位同步辐射 X 射线观察熔池与孔隙推移现象
图 4 机器学习三大范式示意图：(a) 机器学习分为监督学习、无监督学习、强化学习及其子任务，以及与计算机视觉的关联；(b) 三种机器学习范式原理示意图；监督学习基于已知输入输出标签对做分类；无监督学习依靠数据内在模式聚类；强化学习通过与环境交互、获取奖励反馈完成决策。
图 5 各类机器学习算法原理示意图：(a) 线性回归 (LR)；(b) 支持向量机 (SVM)；(c) 高斯过程回归 (GPR)；(d) 随机森林 (RF)；(e) 人工神经网络 (ANN)；(f) 卷积神经网络 (CNN)
图 6 面向增材制造定制化材料开发：(a) DED‑LB/P 进行成分设计与试样制备；(b) 不同晶粒类型、晶粒占比、晶粒取向下的微观组织实例。
图 7 基于粉末扫描电镜 SEM 图像，机器学习用于金属粉末选型的主要应用：深度学习方法实现粒度分布表征；基于人工特征方法实现粉末流动性预测。
图 8 机器学习构建工艺地图与性能预测流程图，除工艺参数外，材料物理属性也可以作为模型输入；训练数据集来源包含试验设计、数据增强、高保真仿真、高通量试验。模型输出：致密度、表面粗糙度、力学性能、熔池几何形貌。
图 9 高通量实验 HTE 在金属增材制造中的应用：(a) 高通量拉伸试样夹具与测试平台；(b) PBF‑LB/M 在不同激光功率、扫描速度下制备的单熔道试样。高通量方法大幅降低数据生成的时间与成本，加速增材制造工艺研发优化。
图 10 不同优化策略实现工艺参数优化流程图：(a) 带元模型集成的非支配排序遗传算法‑II，优化打印件能耗、拉伸强度、表面粗糙度；(b) 结合 GPR 的贝叶斯优化，提升试样致密度。
图 11 PBF‑LB/M 三种不同打印条件下声发射信号的产生、传播、采集示意图：无缺陷信号、裂纹信号、匙孔孔隙信号。
图 12 监测系统的两种搭建方案：(a) 同轴监测系统以及采集的熔区图像；(b) 离轴监测系统以及采集的熔区图像。
图 13 (a) 红外传感器采集熔池图像与孔隙率之间的对应关系；(b) 每个体素红外信号与其缺陷状态的对应关系。
图 14 语义分割与目标检测模型处理 X 射线图像，识别感兴趣区域，提取匙孔长宽深等关键特征，用于激光吸收率预测。
图 15 集成多类传感器的原位监测系统示意图：(a) 声发射 + 可见光传感器；(b) 可见光 + 红外传感器。
图 16 PBF‑LB/M 和 DED‑LB/P 熔池内部熔体流动三维重建示意图。
图 17 同步辐射 X 射线成像系统、高速红外相机、高空间分辨率红外相机集成系统示意图，用于加深对金属增材制造工艺的理解。
图 18 金属增材制造 + 机器学习全流程总览：分为材料、参数、工艺监控三大阶段；分别列出各阶段现存挑战以及未来发展机遇。
结论/展望
结论/展望
机器学习已经深度渗透PBF‑LB/M 与 DED‑LB/P 从材料开发、粉末筛选、工艺参数优化到在线监测全链条，有效减少试验迭代次数，助力实现更加自主智能的金属增材制造系统。 不同机器学习模型各有适用边界：
小样本增材制造数据集，高斯过程回归 GPR 优势明显，可输出预测不确定性，但大数据场景算力受限； 树类模型（RF、XGBoost）抗噪声，适合工艺‑性能回归预测； CNN 非常适合 SEM 粉末图像、熔池图像、X 射线影像等视觉数据，但依赖大量标注数据，可解释性差。
材料选择方向：机器学习可实现合金成分逆向设计、微观组织预测；依托 SEM 图像完成粉末粒度、流动性快速评估；但现有模型跨设备、跨牌号粉末泛化能力弱，回收粉末生命周期预测是未来重要方向。 参数优化方向：仅依靠工艺参数输入的模型泛化有限，融入物理先验特征（马兰戈尼数、熔池最高温度等）可以显著提升模型精度；数据来源可以结合文献挖掘、多物理仿真、高通量实验弥补试验样本不足；贝叶斯优化、遗传算法、强化学习可以完成单 / 多目标工艺寻优；DED 公开基准数据集稀缺，单熔道优化很难直接迁移到大块实体打印。 过程监控方向：单类传感器各有短板，多传感器数据融合是提升缺陷检测可靠性的重要路径；同步辐射 X 射线能够揭示底层物理机制，但设备稀缺；借助迁移学习，把同步辐射数据知识迁移到工业低成本传感器，具备很高实用价值。 现存共性核心挑战：高质量标注数据集稀缺；同一参数下实验结果存在复现性波动；多数模型黑盒、可解释性不足；模型在不同机器、不同合金之间迁移泛化能力不足。未来发展重点是物理信息融合机器学习、主动学习、多模态传感器融合、大模型文献挖掘，推动机器学习真正落地工业生产。
