深度学习与金属增材制造的融合恰逢其时

与焊接、铸造等成熟工艺沿用的"试错法"发展路径不同，增材制造作为新兴技术必须探索新的发展范式。这些不同主要体现在：现代制造业发展节奏加快、打印件试错测试成本高昂，以及把握人工智能技术发展机遇的迫切性。在增材制造领域，机器学习与深度学习技术各具特色又优势互补，分别展现出独特的应用价值。

“3D Science Valley 白皮书 图文解析

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。本期谷·专栏将简要分享该综述。

论文链接：

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

深度学习正加速推动

增材制造诸多挑战的突破

深度学习技术正日益广泛应用于金属增材制造领域，用于预测和控制微观结构形成、优化材料性能、减少制造缺陷。

论文配图1. 深度学习在增材制造中的一些重要应用

如图1所示，深度学习方法已在增材制造的过程监控、结构强化、缺陷抑制和性能优化等方面取得显著成效。特别值得关注的是，增材制造中的若干关键问题尤其适合采用深度学习方案解决——这得益于深度学习在挖掘复杂数据集的非线性关联、生成新数据集以及处理复杂决策方面具有突出优势。随着过程监测技术的进步，我们现已能够通过层间图像和信号采集来追踪缺陷演化过程。这些图像数据若经合适算法处理，将成为缺陷控制的重要依据。正是这些应用需求，推动着深度学习在增材制造领域的成功实践。

当前深度学习和增材制造的融合恰逢其时，主要基于以下共识：

“3D Science Valley 白皮书 图文解析

首先，深度学习为揭示材料-工艺-结构-性能之间的复杂关联提供了新途径。制造过程中空间非均匀的温度分布导致热源区域局部冷热交替，进而引发微观结构和力学性能的梯度变化。深度学习能够有效解析工艺条件与材料特性之间错综复杂的相互作用，全面揭示增材制件中微观结构与性能的空间分布规律（包括二维和三维特征）。

其次，深度学习具备处理多源异构大数据的能力。各类传感器和视觉系统在监测复杂增材制造过程中产生的图像、视频、声学信号等海量数据，均可通过深度学习方法进行解析。

第三，深度学习算法擅长从多元数据中自动提取特征并建立输入-输出映射关系。这一优势使其能够协同分析原位监测数据、样品测试数据（微观结构、缺陷、力学性能）和数字数据（建模仿真、CAD及软件生成数据）。

第四，深度学习既能从现有数据中学习规律，又能生成新数据，这为零件设计、工艺优化、结构增强和性能提升提供了更多可能性，尤其适用于实验或计算成本高昂、数据稀缺的场景。

最后，物联网和数字孪生等新兴工具使利益相关者能够实时掌握制造过程动态。

“3D Science Valley 白皮书 图文解析

凭借其快速处理海量数据与自动特征提取的优势，深度学习正在加速推动增材制造诸多难题的突破。作为工业4.0的核心组成，增材制造通过与新兴技术深度融合助推智能工厂建设。在此背景下，开展深度学习在增材制造中应用的系统性综述，对于促进技术融合、优化工艺-组织-性能协同具有重要现实意义。

综述文章指出，近期已有综述文献探讨深度学习在增材制造领域的应用，涉及面向增材制造的设计优化、工艺参数开发、质量控制与缺陷检测、过程监控、残余应力分析、质量检验、微观结构分析与材料设计等方面。相较已有研究，该综述具有三大特色：第一，系统整合了增材制造中的共性科学问题，特别是工艺-结构-性能关联机制；第二，全面梳理了当前适用于增材制造的深度学习方法（代码、软件、数据源），并建立了针对不同问题的算法选择指南；第三，清晰指出了当前深度学习在增材制造应用中的研究空白与技术瓶颈。这些特色工作将为材料科学与制造领域科研工作者解决当前及未来面临的增材制造难题提供重要参考。

图文简析

综述指出，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。特别是在粉末床选区激光熔融（L-PBF）和定向能量沉积（DED）等关键金属增材制造-3D打印工艺中，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。研究团队表示，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。

论文配图9. 四维结构材料成分组成设计与优化

论文配图图21. 显微组织与性能的优化与预测

论文配图图22. 工艺监测-组织-性能的分布分析与预测

表2. 常用深度学习算法代码归纳

论文配图图42. 选择合适的深度学习算法步骤图

3D科学谷将在下期文章中详细分享该综述文章所剖析的深度学习对金属增材制造工艺、结构和性能的影响。

参考来源：西南交大科研

3D科学谷聚焦

▌三维科学 l 无限可能

投稿丨 2509957133@qq.com

www.3dsciencevalley.com