研究背景
机器学习是当今热门话题“人工智能”的重要实现手段，其在图像处理、自然语言、金融、医疗等诸多领域都有应用。作为材料方向相关的研究者，应该都很清楚，影响材料制备、组织结构和最终性能的条件实在是太多了，不太可能把所有因素都研究清楚，这使得材料学成为了一个半经验的学科，同时也使得研究者开始考虑机器学习在此间的应用。本文的相关论文正是利用了机器学习来辅助制定材料的制备参数。接下来我们先了解一下论文背景。
激光粉末床熔融增材制造(LPBF-AM)广泛应用于航空航天、核、医疗和汽车行业，而其中被研究得最多的合金当属Ti-6Al-4V合金 (Ti64)。
然而，LPBF过程中的特殊的加热与凝固条件会使得铸态Ti64中产生针状α’马氏体非平衡组织，提高了强度的同时也降低了合金的延展性，因此通常采用后期热处理，使α’马氏体分解为α+β两相结构。但是这种做法又会降低合金的强度，因此需要另一种方法来平衡强度与延展性。有研究人员注意到，α’/α’界面能够均匀地容纳变形，这意味着α’马氏体结构可能不是合金低延展性的根源。因此本论文采用了这样一个基本假设：在LPBF过程中，可以通过调整α’马氏体的微观结构特征，来实现强度和塑性之间的平衡。
要控制微观组织，通常通过调整工艺参数来实现，但是LPBF工艺的加工参数很多，取值范围大，过程也复杂，需要采用创新的方法从巨大的参数空间中选择出候选的加工参数集，以进行固有微观结构促成因素的实验研究。而近年来出现的机器学习（ML）正是一种有利于加速新材料设计发现，以及优化现有材料的新工具。
论文工作
本论文证明了 ML 可以对各种加工参数的相对重要性进行快速定量分析，从而快速确定参数集，使 LPBF 制造的具有α’马氏体微观结构的 Ti64 在延展性和强度之间达到理想的平衡。并通过对微观组织的详细表征和对相关工艺参数的分析讨论来理解性能与工艺之间的关系。
表征方法
论文的主要创新点在于其工艺参数是通过机器学习的方法得到的，数据集来自于相关文献中的129个Ti64样品数据。通过对比不同算法结果的相关系数R，确定采用随机森林算法得到的参数来进行后续研究。根据算法参数制备得到的样品，除了测试力学性能之外，也自然地使用XRD、TEM、EBSD等微观组织表征手段来解释性能的变化，以构成完整的逻辑链条。论文选择了激光扫描间距作为变量，制备了S30、S50、S70、S90、S110五个样品，相关XRD和TEM结果如下图。在这些试样中，S30能量密度最高，最可能发生α+β分解。XRD和S30的SAED表明样品基本为α’马氏体相，结合S30的EDS面扫结果可以说明，几乎没有β相的析出，因为β相通常分布于马氏体边界并且富含V元素。上述分析说明了五个样品的组成相都是单一的高强度α’马氏体相，符合实验设计的思路。
力学测试表明S90样品具有最好的延展性，因此选取S30和S90做EBSD分析，如下图。图中可见S30的马氏体板条长度比S90的长，根据图d的Burgers位向关系，重建出的母相β相晶粒分布如图e、f所示，S90的母相晶粒明显细化。图f可以看出扫描间距较大时出现的“笼效应”，即母相晶粒形貌受扫描轨迹轮廓所影响。
要得到好的延展性，通常希望材料组织更均匀，择优取向程度更低。下图为S30和S90的极图和反极图，可以看出S30和S90的均有弱织构，但S90的择优取向程度更低。S90扫描间距更大，冷却速度更快，而有研究显示，冷却速率是影响Ti合金中马氏体变体选择的重要因素，这就解释了为何S90的择优取向程度更低。
那么样品组织的均匀性是否会影响变形过程？为了回答这个问题，对S30和S90的EBSD结果进行施密特因子分析，如下图。
上图分析了S30和S90样品的{10-10}<11-20>棱柱滑移系施密特因子分布情况。图c显示了S30样品在局部具有较高的施密特因子，对应图a的虚线区域，该局部区域在加载时优先变形，形成应力集中区，导致母相晶界处（沿图a虚线）过早断裂。相较之下S90的施密特因子分布更均匀，有利于塑性的提高。
不过，当扫描间距增加到110um时，激光轨迹重叠不足，密度下降、延展性也降低了。
研究结果
本论文应用机器学习(ML)模型快速优化Ti64的L-PBF增材制造的加工参数，以在不进行后期热处理的情况下实现Ti64零件的强度和延展性之间的良好平衡。主要研究结果总结如下:
经过训练的ML模型发现，在适当的线能量密度（本研究中Ti64的线能量密度约为0.1 J/mm）下，扫描间距在控制成品Ti64部件的延展性方面起着重要作用。实现了强度和延性的协同作用：屈服强度为1044±10mpa，均匀伸长率为10.5±1.5%。高强度可通过保持α’马氏体组织来实现。详细的表征和微观组织分析发现，在大扫描间距情况下，延展性的增强源于组织的均匀性。由于母相β晶粒的细化和α’相集群的抑制(由马氏体变体选择弱化引起)，获得了组织均匀性，有效提高了α’马氏体组织的均匀变形能力。
更多的实验和数据细节，感兴趣的观众可以阅读论文原文获取哦。
感谢姚志富博士对中材新材料研究院的支持与认可！
推荐这篇论文，希望大家分享转发，参考引用！
EBSD拓展知识
为了研究力学性能，我们通常会对材料的微观组织感兴趣，常用手法就是用显微镜观察。但是别忘了，晶粒的形貌和尺寸并非微观组织的全部特性，晶粒取向同样会极大地影响材料的性能。因此用EBSD的手段观察晶粒取向是非常有必要的。
在本论文中就用到了IPF图，极图，施密特因子分析等等EBSD的数据分析方法。
