深度学习AI如何破解金属3D打印“工艺-结构-性能”关系？顶刊综述详解
来自爱荷华州立大学、香港理工大学、普林斯顿大学、德州农工大学、宾夕法尼亚州立大学等国际知名高校与机构的学者，在Progress in Materials Science期刊上发表题为《A review of deep learning in metal additive manufacturing: impact on process, structure, and properties》的综述论文，影响因子为40.0。论文正文近60页篇幅，超过40张图片与15个表格，对深度学习在增材制造领域的应用进行了系统综述。
论文链接：https://doi.org/10.1016/j.pmatsci.2025.101587
深度学习在增材制造金属部件中越来越多地被应用于预测和控制微观组织的形成、优化性能以及减少缺陷。文章综述了深度学习在增材制造中的多种应用，包括零件设计与结构优化、过程感知与监控、微观组织与性能控制、缺陷检测以及残余应力和变形抑制等。文章特别强调了计算资源、数据需求以及物理信息驱动的深度学习在推动这些应用发展中的关键作用。同时，文章还探讨了算法选择和数据集适用性的最佳实践，并指出了当前研究中存在的瓶颈，例如对增材制造过程理解的不足和计算效率提升的挑战。最后，文章展望了未来的研究方向，强调了实时应用和模型可解释性的重要性。本研究旨在为希望在增材制造领域应用深度学习的研究人员和工程实践者提供一个理论框架，帮助他们在这个不断发展的领域中取得进展。
文章综述了深度学习在金属增材制造领域的最新研究进展，重点探讨了其在工艺优化、结构设计、微观组织预测、缺陷控制以及残余应力与变形预测等方面的应用。文章首先回顾了增材制造的发展现状及所面临的挑战，指出传统方法难以有效解决AM中复杂的非线性问题，而深度学习在高维数据处理、自动特征提取和复杂映射建模等方面展现了显著优势。
文章系统地梳理了深度学习算法在增材制造中的三大主要应用类型：判别式学习（如CNN、RNN）、生成式学习（如GAN、AE）和强化学习（如Q-learning、DDPG）。判别式深度学习主要用于缺陷检测、工艺参数优化和微观结构识别等任务；生成式深度学习则应用于数据增强、结构生成和拓扑优化等领域；强化学习则致力于实时控制与决策优化，如激光功率和扫描速度的实时调节。
在零件设计方面，深度学习被广泛应用于预测打印质量、优化结构拓扑、减少支撑材料的使用以及缩短制造时间。通过将CAD模型转化为低维表示，深度学习模型能够快速评估不同设计方案的可制造性和性能表现。在微观结构预测方面，深度学习可基于热历史、工艺参数等输入数据，预测晶粒形貌、相组成和析出相等，同时结合图像识别技术实现微观结构的自动分类与定量分析。
在缺陷检测与控制方面，深度学习通过结合红外图像、熔池图像、X射线图像等多模态数据，实现了对孔隙、裂纹和未熔合等缺陷的高精度识别与定位。此外，深度学习模型还可用于预测残余应力和变形的分布，从而为工艺参数优化和结构设计提供指导，减少零件失效的风险。
文章还强调了深度学习在建立工艺-结构-性能（PSP）关系方面的潜力。通过构建数据驱动的映射模型，深度学习不仅可以实现从工艺参数到微观结构，再到力学性能的正向预测，还能够通过逆向设计实现从目标性能推导所需的结构与工艺参数。
此外，文章还介绍了深度学习在医疗、图像重建、误差补偿等其他领域的应用研究进展。最后，文章指出，深度学习在增材制造领域的应用仍面临数据获取困难、模型可解释性差、计算资源需求高以及实时性差等挑战，并提出了未来的研究方向，包括物理信息深度学习（PIDL）、小样本学习、迁移学习、边缘计算和可解释AI等。
这篇论文综述了深度学习在金属增材制造中的应用，涉及设计、工艺监控、微观结构预测、缺陷检测以及残余应力控制等多个领域。研究表明，深度学习在提升增材制造零件质量、优化工艺参数和缩短开发周期等方面具有巨大的潜力。然而，目前仍面临数据质量不足、模型可解释性差、计算资源需求高和实时性不足等挑战。未来的研究应聚焦于物理信息深度学习、小样本学习、迁移学习、边缘计算以及可解释AI等方向，以推动深度学习在增材制造中的广泛应用和产业化。
(责任编辑：admin)
下一篇：没有了
微光启航携手Leap71成功设
字节跳动入局3D大模型发布
3D打印数字医疗提供商黑焰
采用华曙高科金属3D打印少
设计师大胆采用AI与3D打印
