顶刊综述（IF=40）：深度学习赋能金属增材制造

近日，爱荷华州立大学（Iowa State University）联合宾夕法尼亚州立大学、普林斯顿大学、德州农工大学、香港理工大学等多所国际知名高校与研究机构，在国际顶级综述期刊Progress in Materials Science（影响因子= 40.0）发表题为《A review of deep learning in metal additive manufacturing: impact on process, structure, and properties》的重要综述论文。

论文链接：

https://doi.org/10.1016/j.pmatsci.2025.101587

该综述系统总结了深度学习（Deep Learning, DL）在金属增材制造（Additive Manufacturing, AM）中的最新研究进展，全面梳理了DL在零件设计与拓扑优化、原位过程监测与闭环控制、显微组织与性能预测、缺陷识别与残余应力分析等方面的应用。文章进一步阐述了判别式深度学习（Discriminative Deep Learning）、生成式深度学习（Generative Deep Learning）和强化学习（Reinforcement Learning）等新兴算法在智能制造中的潜力，强调了多模态数据融合（图像、热信号、声学与模拟数据）的重要性，并总结了开源代码、训练数据集和典型算法的适用场景。

图1. 深度学习在增材制造中的一些重要应用

论文指出，深度学习通过自动特征提取与多层神经网络架构，可揭示“工艺-组织-性能”之间的非线性复杂关系，大幅减少试验成本，为高精度预测与实时控制提供了可能。特别是在金属激光选区熔化（L-PBF）和定向能量沉积（DED）等关键工艺中，DL模型已实现熔池温度场预测、缺陷自动识别及参数自适应优化。

该研究为人工智能驱动的金属3D打印提供了系统的理论框架与前沿路线图，标志着智能增材制造跨学科融合的重要一步。作者表示，希望该综述能促进国际科研界在AI+制造领域的合作与发展，加速构建高效、精准、可解释的智能制造体系。

图21. 显微组织与性能的优化与预测

本文来自“材料科学与工程”公众号，感谢作者团队支持。