增材制造金属材料组织-性能-寿命一体化集成计算方法

本发明涉及金属增材制造领域，尤其涉及一种选择性激光熔化技术增材制造金属材料的组织-性能-寿命一体化集成计算方法。

背景技术：

1、选择性激光熔化技术(selective laser melting，简称slm)是金属材料增材制造技术中，使用最为广泛的一种高精度成形技术。该技术主要包含铺粉和激光熔化两个步骤，其中铺粉采用了粉末床铺粉的技术，而激光熔化则使用了小光斑高能激光束以保证成形精度，激光按照既定路径在金属粉末床层进行逐层扫描，扫描过的金属粉末通过熔化、凝固从而达到冶金结合的效果，最终获得模型所设计的金属零件。slm技术可以非常轻松地实现复杂形状零件的制造，无需进行复杂的工序设计，缩短加工周期。零件的结构越复杂，其技术优势越明显，为结构设计拓宽了思路，使产品向着轻量化、一体化的方向前进，在航空航天、工业制造、生物医疗等应用越来越广泛。

2、slm技术的工艺参数众多，激光功率、扫描速度、扫描层厚、扫描间距等众多参数都会对产品的成形质量和性能带来重大影响。为了精确的评估激光选区熔化零件的服役性能，需要构建产品原料、工艺参数和组织、性能、寿命间的可靠模型。slm技术制造过程中，重复进行极大次数的材料快速熔化冷却过程，这些过程发生的时空关系受工艺参数直接控制，并影响显微组织形态。此外，slm技术由于其激光扫描的工艺原理，不可避免地会产生一些内部缺陷，包括未熔合缺陷、气孔、匙孔、氧化、微小裂纹等，而在力学性能中，内部缺陷由于会产生应力集中，对增材产品的疲劳寿命、屈服强度具有显著影响。随着计算机技术发展，数值模拟与机器学习技术先后在制造业中得到运用。高性能的集成计算平台可以很好地模拟加工中的物化变化过程并得到预定结果，机器学习技术可以巧妙地概括不易直接表达的复杂关系，并通过新增数据自主进化。

3、但就现有技术而言，数值模拟计算手段与机器学习预测技术直接运用与产业界仍有相当门槛。一方面，现有的算法与求解技术，每步计算结果缺乏适当量化与可视化，量化有助于本次运算结果在下次计算之中的接续使用，可视化有助于结果在生产制造中的指导；一方面，其数据库的进化迭代受限，这本应机器学习技术最为有利的一点之一，现有算法成果直接投入生产企业之中，操作人员往往难于操作；此外，现有算法中参数的选用往往是有相当技巧的，单一的算法选用流程长，操作繁琐，试错成本陡增。

4、相比之下，本发明所述及的增材制造产品金属材料组织-性能-寿命的全流程预测(即集成计算)方法足够解决上述技术难题，其具有必要的量化-可视化处理步骤，使得各步骤所需要的数据与结构在各个模块间自由流转，且可以直观观测；有专用的数据接口以满足数据库的迭代要求；有高效的运算效率、简明的操作逻辑与便捷的操作流程；能够自动地按照条件设置实现高效运算，取得直接结果；且这一集成计算模型尚未提出。因此，要实现激光增材制造金属材料在航空航天领域的可靠应用，满足各个工业部门的便捷运用，凭借数值模拟与机器学习技术，建立金属slm制造过程中的原料属性、工艺参数到制成件的组织、性能、寿命之间的联系，并可以根据既有条件进行参数的快速预测，是一个极为重要且可行性强的课题。

技术实现思路

1、针对上述问题，本发明提供一种针对选择性激光熔化技术增材制造金属材料的组织-性能-寿命一体化集成计算模型，该模型可以根据既有工艺数据预测slm金属增材过程中的显微组织变化情况，还可以借助数值模拟技术取得加工后产品几何缺陷、力学性能，并结合机器学习技术预测其疲劳性能，满足增材制造结构件强度计算的工程化要求。

2、本发明的技术方案如下：

3、本发明提供一种增材制造金属材料的组织-性能-寿命一体化集成计算模型，用于对slm技术增材制造金属材料过程中产生的显微组织演化、金属粉末颗粒溅射、制件缺陷的形成与分布以及在服役条件下的力学性能、疲劳性能进行多物理场耦合仿真模拟与机器学习模型预测，该方法包括以下步骤：

4、s101，建立金属材料slm制造工艺数据模型，其中包括粉末原料数据库、工艺参数数据库、机床技术参数数据库，导入本次加工的产品几何模型与切片数据，设置本次加工的工艺参数，从数据库中读取本次加工所选择的粉末原料以及机床技术参数；

5、s201，通过数值模拟取得宏观缺陷分布于大小。在宏观尺度上，根据读入的数据建立有限元模型，使用edem软件模拟铺粉过程，使用基于fluent的流-热-固多物理场耦合仿真平台模拟激光扫描下粉末熔化凝固；

6、s202，通过机器学习技术取得微观性能。在微观尺度上，将本次加工的工艺参数读入已建立的工艺参数—显微组织机器学习预测模型，预测加工产品的显微组织相关数据；

7、s301，取得包含缺陷的产品三维重建模型，并对其中的缺陷数据进行定性、定量分析，同时分析归类整理缺陷；

8、s401，将含缺陷三维模型导入力学有限元分析软件中，同时读入产品服役的边界条件，取得其服役性能；

9、s402，将缺陷数据读入已建立的缺陷—疲劳强度/缺陷—疲劳寿命机器学习预测模型，预测疲劳强度/寿命，满足增材制造结构件强度计算工程化要求。

10、进一步地，所述步骤s101中，所述粉末原料数据库中包括原材料的基本物化参数、粉末制造商、粉末粒径以及质量；所述金属材料slm制造工艺参数模型中包括激光光斑功率、铺粉厚度、扫描路径、扫描速率、重熔强化次数、重熔强化功率、保护气体以及基底温度；所述机床技术参数数据库中包括机床制造型号、打印仓尺寸、打印仓温度梯度、成形精度以及成形效率。

11、进一步地，所述步骤s201具体包括：读入粉末原料粒径参数，每层打印的金属粉末分布采用edem软件进行模拟取得，随后进行网格划分；所述流-热-固多物理场耦合仿真平台是基于fluent进行搭建的，具备分布式计算的功能以保证高效率计算，通过读入宏观金属增材制造的三维几何模型与切片数据、以及所需的原料物化参数和slm制造工艺数据，模拟slm增材制造过程。

12、进一步地，所述金属粉末分布基于离散元素法建模软件edem模拟取得，通过读入颗粒原料的几何参数、物化属性创建颗粒工场；设置影响颗粒运动的力学场，包括重力场与风场；设置几何约束以及颗粒间、颗粒与几何约束的接触情况，进而模拟散状物料加工处理过程中颗粒体系的行为特征，最终模拟取得的粉末分布结果，可以便捷地导入主流的cae工具软件进行下一步模拟。

13、进一步地，所述流-热-固多物理场耦合仿真平台基于fluent进行搭建，其计算方法如下：

14、在激光热场计算中，基于费里德曼高斯热源模型建立激光能量分布模型，依照切片代码、扫描策略、光斑大小以及激光功率等参数，调整能量的时空分布，换算为热流密度进行计算；传热考虑热传导、热对流以及热辐射，分析热量激光热源向基板、粉末、已固化单元、熔池以及空气的传递情况，以及必需计算位置的热量分布；

15、在流体计算中，基于连续介质计算流体力学控制方程，建立金属粉末高温熔化模型，对金属熔化和凝固相变过程中能量进行监控，及时修正其物理参数，设置仿真边界条件，分析熔池流动状态，求解粉末-熔池的交互及其流动凝固过程；

16、在动力学计算中，基于瞬态结构动力学方法，建立金属粉末快速受热的飞溅运动模型，同时求解粉末飞溅对产品结构完整性的影响情况，探究加工过后的缺陷分布与形貌；

17、所述仿真平台，可将每一分析步待运算内容动态分配至硬件各个计算单元，各计算单元完成物理量的运算与状态判定后，汇总至主运算单元合并结果，并准备下一分析步的待运算内容，实现高效稳定的分布式运算，适用于高性能运算平台。

18、进一步地，所述步骤s202具体包括：读入所有对于slm增材制造金属材料产品显微晶相有影响的粉末原料数据、工艺参数与机床技术参数，作为已建立的工艺参数—显微组织机器学习预测模型的输入数据，输出结果包括该产品的大致晶粒尺寸、总体的晶粒取向分布数据。

19、进一步地，所述工艺参数—显微组织机器学习预测模型，基于深度神经网络模型，其输入参数包括所有影响材料相变的工艺参数，包括原料粉末物化参数、激光光斑功率、铺粉厚度、扫描路径、扫描速率、重熔强化次数、重熔强化功率、保护气体、基底温度以及打印仓温度梯度；输出参数包括预测的大致晶粒尺寸、大致晶粒取向以及组织的大致分布比例；此外还需支持自动迭代能力，可以将选定工艺参数下制造产品的实测显微组织情况，输入神经网络模型训练集中，进行自主迭代进化。

20、进一步地，所述步骤s301具体包括：读入s201通过数值模拟取得的含缺陷产品三维几何模型，通过三维可视化处理软件，提取几何模型中缺陷的量化参数；所述定量分析包括提取缺陷的体积、表面积、距表面深度、中心位置坐标、球度、紧密度、相邻间隙以及载荷方向投影面积的平方根值等参数；所述定性分析包括以缺陷尺寸按照其对于服役性能的影响程度，对缺陷进行分类、排序、筛选，提升缺陷量化参数的质量。

21、进一步地，所述步骤s401具体包括：读入s201通过数值模拟取得的含缺陷产品三维几何模型，结合s301的缺陷筛选，以设定分辨率重建模型含缺陷产品三维几何模型，采用有限元分析软件进行网格划分，并且读入产品服役条件进行力学有限元分析；所述服役边界条件包括外加载荷、激励、温度场、运动状态以及空间约束。

22、进一步地，所述步骤s402具体包括：读入s301经过排序、筛选取得的缺陷量化参数，作为已建立的缺陷—疲劳强度/缺陷—疲劳寿命机器学习预测模型的输入参数；针对所述缺陷—疲劳强度预测模型，可以预测产品在选定寿命水平典型服役条件下的所受载荷的最大估计值；针对所述缺陷—疲劳寿命机器学习预测模型，还需读入载荷谱，进而预测在典型服役条件下的所能保持功能的寿命。

23、进一步地，所述缺陷—疲劳强度/缺陷—疲劳寿命机器学习预测模型，基于粒子群优化反向传播神经网络模型，其输入参数包括经过相关性分析的缺陷量化特征参数，包括体积、表面积、距表面深度、中心位置坐标、球度、紧密度、相邻间隙以及载荷方向投影面积的平方根值，此外还需输入典型服役条件下的载荷谱；输出参数包括预测的服役条件下，能支持给定循环次数的疲劳强度以及指定载荷谱下，制件可承受的疲劳寿命；此外还需支持自动迭代能力，可以将制件进行x-ct三维重建扫描，统计其缺陷量化特征数据，并实测其疲劳寿命和疲劳强度，输入机器模型训练集中，进行自主迭代进化。

24、与现有技术相比，本发明具有以下有益效果：

25、(1)本发明基于多物理场耦合的数值计算方法结合机器学习中神经网络模型，研究slm技术增材制造金属材料的产品特性，模拟材料在制造中的缺陷的形成与发展、金属粉末颗粒的溅射、制成件的力学性能，预测材料的显微组织与疲劳性能，既结合了有限元、离散元法适用领域的成熟计算技术，又补充了有限元方法难以直接表达的物化过程的预测，形成直间接结合的增材制造金属材料的组织-性能-寿命一体化集成计算模型，且具有自主迭代进化功能，极大地增强了该技术在各个工业部门中的适用性。

26、(2)本发明各环节间的数据可以自由流动，并且为此设置了必要的图形数据参数化功能等技术手段，使其获得更低的产业运用门槛。

27、(3)本发明能够预测增材制造金属材料产品的疲劳性能，提升了增材制造技术在承力结构件制备上的服役可靠性，借助预测手段，可以高效进行增材制造过程中工艺参数的优化过程，降低试错试产的成本，降低增材制造技术的应用门槛。