在航空发动机涡轮盘、骨科植入体等高端制造领域，3D打印（激光粉末床熔融，LPBF）技术凭借“按需成型”的优势，让复杂钛合金（Ti6Al4V）零件的生产变得高效。但有个关键难题始终困扰工程师——激光功率、扫描速度等工艺参数稍有偏差，零件可能出现气孔、裂纹，力学性能大幅下降。而传统试错法成本高、周期长，单一AI模型预测又总“翻车”。近日，我国华南理工大学团队在《Frontiers of Mechanical Engineering》发表论文，提出一种“堆叠模型”AI算法，让3D打印钛合金的性能预测误差降到2.51%，为高效优化工艺参数提供了“数字助手”。

3D打印钛合金的“参数黑箱”
钛合金Ti6Al4V因“轻而强”“抗腐蚀”，是航空航天、医疗植入体的“明星材料”。但用LPBF技术打印时，激光功率（200-410瓦）、扫描速度（800-2200毫米/秒）、扫描间距（0.11-0.16毫米）等参数的微小变化，都会影响熔池形态，进而导致零件内部出现气孔或裂纹，最终影响抗拉强度。过去，工程师只能通过反复实验“试参数”——打印64组试样，每组都要打磨、拉伸测试，耗时耗力。

近年来，AI被引入解决这一问题，但单一模型（如神经网络）常因“偏科”表现不稳定：有的擅长捕捉复杂非线性关系，却容易“过拟合”（死记硬背训练数据）；有的适合线性关系，却抓不住参数间的隐藏关联。如何让AI更“聪明”？团队想到了“模型叠buff”——用“堆叠集成学习”，让多个AI模型“组队”预测。

多个AI“专家”组队，预测更稳更准
所谓“堆叠模型”，就像找不同领域的专家会诊：先让人工神经网络（ANN）、梯度提升回归（GBR）、核岭回归（KRR）、弹性网络（ENet）这四个“基础模型”各自分析数据，再让Lasso模型当“最终决策者”，综合它们的预测结果。这种方法能取长补短——比如ANN擅长处理复杂非线性关系，KRR适合非线性任务，GBR能捕捉参数间的细微关联，ENet则能控制模型复杂度。

团队用64组LPBF打印的Ti6Al4V试样数据训练模型（涵盖不同激光功率、扫描速度、扫描间距下的抗拉强度），并通过贝叶斯优化调整参数。结果发现，“堆叠模型”的预测表现远超单个模型：测试集上，它的决定系数（R²）达0.944（越接近1越准），平均绝对百分比误差仅2.51%，均方根误差27.64，各项指标全面超越传统神经网络（R² 0.840，误差36.19）。

从“实验室”到“车间”的关键一步
实验验证显示，堆叠模型不仅预测准，还更稳定。比如，当激光功率和扫描速度变化时，它能更准确捕捉到两者对钛合金强度的协同影响；而传统神经网络在测试集上常“低估”强度值，误差范围更大。团队进一步分析发现，扫描速度对强度影响最大（相关系数-0.59），其次是激光功率（0.41），扫描间距影响最小（-0.36）。

这项技术的价值在于，工程师只需输入工艺参数，AI就能快速“算出”零件的抗拉强度，避免大量试错实验。未来，它还能集成到3D打印机的实时监控系统中，边打印边预测，及时调整参数，减少废品率。

论文作者表示，下一步将扩大数据集，探索堆叠模型在更复杂钛合金结构（如多孔植入体）中的应用，让3D打印从“能造”走向“精准造”。或许不久的将来，航空发动机的关键钛合金零件，就能在AI的“精准指挥”下，又快又好地“生长”出来。

来源: FME机械工程前沿