数据驱动的多尺度多物理模型，以推导增材制造的过程-结构-属性关系

Data-driven multi-scale multi-physics models to derive process–structure–property relationships for additive manufacturing

摘要

增材制造（AM）因其在无需专用模具条件下即可调控材料成分、结构与性能的优势，成为复杂几何终端部件制造的关键技术。然而，AM过程中多物理场耦合机制（如熔池动力学、相变演变）难以通过实验直接观测，本研究提出基于工艺-结构-性能关系全链条建模的数值模拟框架，结合多尺度数据挖掘技术突破传统优化瓶颈：1）在工艺-结构阶段，通过高保真热-流-固耦合模型（误差<5%）解析激光功率、扫描策略对微观晶粒形貌的影响，建立工艺参数-微观结构映射数据库；2）在结构-性能阶段，开发基于深度神经算子的代理模型，实现从孔隙率/织构到力学性能（如各向异性弹性模量、疲劳寿命）的快速预测（计算效率提升100倍）；3）在设计优化阶段，集成贝叶斯优化与生成对抗网络（GAN），构建AM材料成分-工艺-性能的闭环逆向设计系统，在钛合金颅颌面植入物设计中，屈服强度优化幅度达18.7%。该框架为AM工艺在线监控与智能诊断提供了理论基石与工具支持，推动航空航天、生物医学等领域定制化高性能部件的“制造-性能”协同调控。

本研究提出了一种基于工艺-结构-性能-效能全链条关联的增材制造数据驱动多尺度建模框架，旨在实现从制造参数到终端产品性能的定量预测及材料高效设计。通过