在航空发动机涡轮盘、骨科人工关节等高端制造领域，3D打印（激光粉末床熔融，LPBF）技术能“长”出传统工艺做不出的复杂钛合金（Ti6Al4V）零件。但工程师们有个共同烦恼：激光功率、扫描速度等参数稍微调错一点，零件内部就可能出现气孔、裂纹，力学性能直接“跳水”。过去只能靠“试错法”——打印64组试样，每组都要打磨、拉伸测试，耗时又费钱；用AI预测吧，单一模型总“偏科”：有的擅长复杂关系却“死记硬背”，有的适合简单关系却抓不住隐藏规律。

近日，我国华南理工大学团队在《Frontiers of Mechanical Engineering》发表论文，给出了“AI天团”解决方案——用“堆叠集成学习”让多个AI模型“组队”预测，把3D打印钛合金的抗拉强度预测误差降到了2.51%，相当于“看参数就能算出性能”，给工程师省了大量实验成本。

3D打印钛合金的“参数迷宫”
钛合金Ti6Al4V是出了名的“全能选手”：轻但强度高，耐腐蚀性好，还能和人体骨骼“友好相处”，所以在航空、医疗领域用得特别多。但用LPBF技术打印时，它的性能特别“敏感”——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）这三个参数稍微一变，熔池的温度、冷却速度就跟着变，零件内部可能出现气孔或裂纹，最终抗拉强度能差出100多兆帕。

过去，工程师只能靠“暴力实验”找最优参数：打印64组试样，每组用不同参数，再逐一测抗拉强度。但这种方法像“大海捞针”——64组实验要花几个月，材料、设备成本更是“烧钱”。

多个AI“专家”组队，预测更稳更准
团队想到了“AI天团”策略——用“堆叠集成学习”让多个AI模型“组队”。简单说，就像找不同领域的医生会诊：先让人工神经网络（ANN，擅长复杂非线性关系）、梯度提升回归（GBR，能抓参数间隐藏关联）、核岭回归（KRR，适合非线性任务）、弹性网络（ENet，控制模型复杂度）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。

团队用64组实验数据（涵盖不同参数下的抗拉强度）训练这个“天团”，还通过贝叶斯优化调整模型参数。效果如何？测试数据显示，堆叠模型的预测准确度（R²）达到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。而传统神经网络（ANN）的R²只有0.840，误差36.19，其他单一模型更差——比如弹性网络（ENet）的R²才0.397，误差近80。

从“实验室”到“车间”的关键一步
更厉害的是，堆叠模型不仅准，还“抗揍”。比如，当扫描速度从800提到2200毫米/秒时，它能准确算出抗拉强度会下降；而传统神经网络在测试时经常“低估”强度值，误差范围更大。团队分析发现，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），这为工程师调参数提供了明确方向。

这项技术的应用场景很广：未来，工程师输入激光功率、扫描速度等参数，AI就能“秒算”零件的抗拉强度，不用再打印试样；还能集成到3D打印机的实时监控系统里，边打印边预测，发现参数不对立刻调整，减少废品率。

论文作者表示，下一步计划扩大数据集，探索堆叠模型在更复杂钛合金结构（比如多孔骨植入体）中的应用。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