3d打印反向散射技术（方楠利用机器学习预测金属3D打印产生的裂纹）

美国宾夕法尼亚州立大学的研究人员研发出一种物理信息机器学习模型，能够有效预测金属3D打印制品中裂纹的产生。

打印过程中或打印完成后制品中产生的裂纹，是限制金属3D打印技术广泛应用的一大难题。金属3D打印制品中裂纹的产生有多种机制，目前还没有通用有效的控制方法。为此，研究人员提出了一种物理信息机器学习模型，通过获取打印过程中零部件开裂相关的重要物理参数，准确预测裂纹的产生。实验选用了6061、2024、AlSi10Mg等多种铝合金进行模型计算和实验验证，并设计了一个关键参数——裂纹敏感性系数（CSI），用以判断金属3D打印中裂纹的产生。研究发现，零部件裂纹的产生与凝固应力、脆化与松弛时间之比、温度梯度与凝固速率之比以及冷却速率直接相关，通过线性回归可确定敏感性系数与上述参数的关系式。设定CSI的阈值为0.5，利用该模型准确预测出102个样品中的86个试样的裂纹产生情况，准确率高达84.3%。

这项研究为金属3D打印制品中裂纹的抑制提供了思路，还可用于新合金的设计以及其他制造工艺的优化。

论文：Crack free metal printing using physics informed machine learning