背景简介

增材制造技术为复杂构件的设计与制造提供了前所未有的灵活性，但其逐层加工的工艺本质也带来了特有的挑战。由于快速熔凝和显著的局部热循环，成形件常存在较高的表面粗糙度、内部孔隙、层间未熔合缺陷以及具有方向性的微观组织。这些因素共同作用，使得增材制造金属部件的疲劳寿命呈现显著的分散性和不确定性，为其在航空航天、医疗植入体等安全关键领域的可靠应用带来了根本性难题。

传统的疲劳寿命预测体系建立在对均匀、各向同性材料的力学响应理解之上，例如基于宏观应力的S-N曲线方法，或基于断裂力学的裂纹扩展模型。这些方法依赖于对材料行为的均质化假设，难以准确表征和量化增材制造中固有的微观尺度非均匀性—包括细观缺陷的随机分布、柱状晶的择优取向以及复杂的相组成空间变化—对疲劳裂纹萌生与扩展行为的确切影响。

近年来，基于数据驱动的机器学习方法为解决这一复杂问题提供了新思路。然而，主流研究思路仍然依赖研究者的先验知识，对微观结构进行手工“特征工程”，提取如平均晶粒尺寸、孔隙率百分比等有限的标量参数。这种做法不仅可能遗漏对疲劳性能至关重要的空间拓扑信息（如缺陷聚集形态、晶界网络结构），其表征能力也因人为设定的特征维度而受到根本限制。为此，本研究以包含完整空间信息的原始微观组织图像作为输入，结合材料表面状态与宏观载荷条件，通过机器学习模型自动学习微观形貌特征与宏观疲劳寿命之间复杂的非线性映射关系。

成果介绍

（1）研究系统比较了多种机器学习模型的预测性能。研究发现，将微观结构图像转化为2点统计矩阵，再通过奇异值分解（Singular Value Decomposition, SVD）提取主要特征（前10个特征即可解释99%的方差），最后输入高斯过程回归（Gaussian Process Regression, GPR）模型的预测效果最佳。该模型（GPR with 2pt statistics）获得了最高的决定系数（R2=0.77）和最低的平均绝对百分比误差（MAPE = 6.20%），显著优于仅使用应力和粗糙度的基准模型（MAPE = 10.08%），以及直接处理微观图像的浅层CNN模型。图1展示了该模型的预测结果与真实寿命的对比，数据点紧密分布在理想预测线（y=x）周围。

图1 预测结果与真实寿命的对比

（2）为探究微观图像特征与工艺条件的信息关联，本研究将是否经过热等静压（Hot Isostatic Pressing, HIP）处理作为二元变量引入模型进行对比分析。结果如图2显示，仅使用2点统计特征（来自微观图像）的GPR模型（MAPE = 6.20%），其预测精度已优于仅使用HIP二元变量的GPR模型（MAPE = 7.37%）。而当同时使用图像特征和HIP变量时，预测精度提升微弱（MAPE = 6.18%）。这表明，从图像中提取的2点统计特征已经包含了HIP工艺带来的关键影响信息，即模型从图像中“学习”到了HIP处理的效果，无需额外提供明确的工艺状态标注。

图2 (a) 不含显微组织和热等静压信息(MAPE=10.08%)；(b) 仅有热等静压信息(MAPE=7.37%)；(c) 仅有组织信息(MAPE=6.20%)；(d) 有显微组织和热等静压信息(MAPE=6.18%)

（3）为解决数据量有限的问题，本研究尝试从每张原始微观图像中随机裁剪多个子图作为独立的训练样本，以进行数据增强。如图3所示，在GPR模型中使用多个裁剪图像后，MAPE从6.20%进一步降至5.77%，表明数据增强能捕捉更多局部微观特征，提升模型在训练集上的拟合能力。但若使用多图裁剪的模型，其验证误差（MAPE = 19.72%）远高于训练误差（4.40%），也远高于使用单张图像模型的验证误差。这表明，过度的数据裁剪可能损害模型的泛化能力，导致过拟合。

图3 数据增强后结果对比 (A) 单幅(MAPE=6.20%)；(B) 多幅裁剪图像(MAPE=5.77%)

致谢

本文第一作者：Prateek Kishore（Indian Institute of Technology Bombay），本文通讯作者：Alankar Alankar（Indian Institute of Technology Bombay）。

本期小编：代忠伦 （整理）

罗凌颖 （校对）

刘昊东 （审核）

董乃健 （发布）