中美五校联合顶刊丨高性能金属部件增材制造的晶粒结构、相和缺陷调控机制

近日，美国宾夕法尼亚州立大学、劳伦斯利弗莫尔国家实验室、南京理工大学机械工程学院韦辉亮教授、美国俄亥俄州立大学和威斯康星大学麦迪逊分校的研究人员联合在《Progress in Materials Science》期刊发表了最新综述文章“Control of grain structure, phases, and defects in additive manufacturing of high-performance metallic componentsControl of grain structure, phases, and defects in additive manufacturing of high-performance metallic components”，回顾了控制晶粒结构、相和缺陷方面的最新进展。该综述强调了机械模型和数据驱动技术（机器学习、尺寸分析和统计方法等）等新兴数字工具在控制零件性能方面的应用。最后，确定了在金属打印领域进行高影响力研究的方向，并根据现有证据提出了未来展望。

工艺参数对微观结构、晶粒结构和织构的影响

迄今为止，仅对5000多种合金中的少数进行了研究，以了解增材制造对性能产生有益影响的特殊特性。此外，正在开发专门用于增材制造工艺的新合金，以利用其独特的特性（例如多次热循环）来获得卓越的性能。打印含硅钢以获得用于电动机和变压器的特定晶体结构，或用于需要低热膨胀系数的应用的经济实惠的含镍和钴铁合金是新合金潜在有吸引力应用的例子具有独特的微观结构。利用丰富的铸造和焊接知识库，对现有合金的微观结构进行微小的改变，可能会解决增材制造中一些长期存在的问题。例如，人们早就知道高强度铝合金中的某些添加剂可以促进等轴晶粒的生长并防止凝固开裂。开发一个全面的知识库来理解微观结构特征以及它们如何与多种特性相关，这有助于建立可打印性数据库，在该数据库中可以检查合金工艺组合是否适合打印合适组件。除了揭示工艺-材料组合的结果外，它们还将继续丰富相变、元素偏析、亚稳相形成、晶粒和亚晶粒结构以及中尺度缺陷到小至晶体缺陷的基本原理在AM期间产生独特的特性。

更好地理解性能的独特组合

零件的适用性取决于多个性能的组合。优化工艺组合以实现所需的性能组合无疑会产生前所未有的独特性能组合。克服强度-延展性权衡就是一个很好的例子。在大多数情况下，合金强度的增加伴随着延展性的降低。然而，在某些不锈钢和其他合金中，这种常见的范例已被克服，并且已经实现了其中一个或两个性能的同时改进。当我们研究底层机制时，新知识无疑会带来更好的零件性能和适用性。

新合金

铁基、铝基、镍基和钛基合金的晶体结构由它们所含溶质修饰的溶剂原子的晶胞决定。添加溶质的性质和数量是控制合金凝固行为、晶粒形态、相组成和机械性能的基础。然而，众所周知，金属材料的微观结构对冷却速率和应力等外部脉冲非常敏感。增材制造中使用的现有铁基、铝基、镍基和钛基合金并不是专门为增材制造设计的。增材制造的大多数变体都涉及多个热循环，这些循环会影响金属部件的微观结构和性能。可以预测热循环的过程模型正在出现。然而，预计将过程变量与零件的微观结构和性能相关联是一个缓慢的过程，因为过程变量数量多、范围广，以及微观结构和性能的合金特定性质。高级建模可以帮助控制热循环，这有助于深入了解微观结构的演变。此外，新合金和功能分级材料的开发将继续进行，当暴露于AM条件时，可以产生满足零件性能需求的微观结构和性能。

更少的缺陷

未熔合缺陷、开裂、残余应力和变形、各种类型的孔隙率、表面粗糙度、波纹度、球化、化学成分变化和位错等晶体缺陷是增材制造零件的重要微观结构特征。中尺度和更小的多个缺陷，一直到原子尺度，都会深刻影响零件的性能和适用性。热处理和热等静压等后处理将继续用于减轻孔隙率、未熔合和残余应力等缺陷，但这些步骤会损害零件的成本竞争力。所有尺度的缺陷也以复杂的方式影响机械性能。尽管最近在定量理解缺陷的起源和各种过程变量的层次影响方面取得了重大进展，但目前还缺乏用于理解过程变量与缺陷和零件机械性能之间相关性的定量框架。机械建模和机器学习应用的持续进步有可能缩小工艺参数窗口以控制缺陷并提高零件的可维护性。

改进数字工具的集成

有许多示例可以说明如何使用可验证的机械模型计算影响产品质量的重要参数，例如温度和速度场、冷却速率、凝固形态和微观结构的规模。这些参数很难通过实验测量，因为聚变区的尺寸很小，而且温度场具有很强的空间可变性和瞬态性。当力学模型与实验数据相结合时，可以揭示理解微观结构和性能演变的科学基础。随着使用机械模型的好处得到更广泛的认可，声音部件打印参数的选择将以科学原则为指导，从而避免耗时且昂贵的试错。

机器学习起源于数字技术，因此非常适合增材制造。从产品设计到流程规划，再到生产监控，再到将流程变量连接到产品属性，机器学习将发挥比其当前用途更重要的作用。视觉系统的集成数据收集系统可以在每一层的打印过程中收集数据，机器学习可以使用温度场和材料状态来减少生产错误。微观结构和性能的控制可能是受机器学习影响的最重要的特征，因为目前还没有可靠的方法从现象学的理解来预测金属材料的复杂性能。由于相、晶粒和亚晶粒结构、偏析元素、亚稳相、非常细的氧化物和其他沉淀物以及晶界附近的高浓度位错的多样性，增材制造金属材料的微观结构非常复杂。微观结构的这些不同特征使得微观结构和性能之间的相关性变得复杂。当数据的质量和体积要求得到满足并且对预测误差采取适当的预防措施时，机器学习提供了一种潜在的替代方法，可以将微观结构与多种特性相关联，并根据科学原理提高零件的适用性。

图1. 传统和增材制造后生产的不同钢材的典型微观结构。根据加工条件，增材制造后可能会观察到不同的微观结构。

         

图3. 使用闭环控制对微观结构进行原位控制的示例。在这里，电荷耦合器件(CCD)相机和红外(IR)相机用于监控AM过程。传感信号被发送到实时控制系统，该系统向机器提供控制信号以调整工艺参数以进行原位微观结构控制。