3D科学谷洞察
机器视觉和机器学习算法是与增材制造硬件设备密切相关的人工智能技术。机器视觉和机器学习算法就像3D打印设备的眼睛与大脑一样，赋予3D打印设备监测和控制打印质量的智能化属性，降低发生打印错误的风险。材料开发方面，随着数字经济时代的到来，大数据、人工智能等技术的应用，将大大缩短材料研发时间，提升效率和质量。”
全文速览
本文综述了机器学习在增材制造（3D打印）材料和工艺中的应用进展与机遇。文章首先介绍了机器学习技术在增材制造中的应用背景，然后详细分析了机器学习在质量控制、工艺优化、设计优化、微观结构分析和材料配方等领域的应用情况，并展望了未来的发展方向，包括先进机器学习模型的应用、新型传感器的开发以及机器学习在新兴增材制造相关领域的应用。
背景介绍
近年来，随着技术进步、数据可用性增加以及社区合作的加强，机器学习技术在增材制造中的应用日益广泛。增材制造技术通过逐层构建的方式制造复杂三维结构，而机器学习能够从大量数据中识别复杂模式，从而优化增材制造过程中的决策。文章指出，机器学习与增材制造的结合有望彻底改变增材制造零件的设计和生产方式。
图文解析
图1展示了机器学习在增材制造过程中的整合应用。左侧将机器学习分为监督学习、无监督学习、半监督学习和强化学习四类，并介绍了新兴的Transformer模型。右侧详细介绍了各种增材制造技术。中间部分展示了机器学习为增材制造带来的潜在好处，底部展示了从航空航天到电子和食品等广泛行业的实际应用。该图强调了机器学习在增材制造中的多样化应用，展示了其在不同领域的广泛影响。
“ 3D Science Valley 白皮书 图文解析
”
图2分为四部分：a) 过去10年中与机器学习相关的增材制造出版物数量。b) 2013年至2022年每种打印技术的年度出版物数量。c) 2013年至2022年不同机器学习应用在增材制造研究中的年度出版物数量。d) 2013年至2022年不同关键增材制造研究领域中机器学习应用的年度出版物数量。该图通过数据展示了机器学习在增材制造领域的研究趋势和应用分布，揭示了其在不同技术和领域的研究热点。
图3总结了机器学习在不同增材制造过程中的质量控制应用。该图提供了机器学习在质量控制方面的全面概述，展示了其在不同增材制造技术中的具体应用和挑战。
“ 3D Science Valley 白皮书 图文解析
”
图4展示了用于检测激光粉末床融合中异常的机器学习流程图。该图详细描述了如何使用机器学习技术结合传感器数据来检测增材制造过程中的缺陷，展示了其在实际应用中的具体步骤和方法。
“ 3D Science Valley 白皮书 图文解析
”
图5展示了使用标记的X射线CT数据训练机器学习模型的工作流程。该图展示了如何通过结合多种传感器数据和机器学习模型来预测增材制造过程中的缺陷，强调了数据融合和模型训练的重要性。
“ 3D Science Valley 白皮书 图文解析
”
图6展示了从不同传感方法中提取的各种物理属性，并用于训练CNN架构。图中还展示了不同模型在分类激光斑点大小和孔隙类型方面的效能。该图展示了如何利用多种传感器数据和机器学习模型来提高增材制造过程中的缺陷检测精度，强调了不同模型的性能比较。
“ 3D Science Valley 白皮书 图文解析
”
图7分为两部分：a) 展示了用于检测LPBF过程中飞溅事件的ID-CNN模型的示意图。b) 展示了用于检测不同材料中各种缺陷的模型流程图。该图展示了如何使用机器学习模型结合声发射信号来检测增材制造过程中的缺陷，强调了其在不同材料中的应用潜力。
“ 3D Science Valley 白皮书 图文解析
”
图8概述了使用混合深度学习模型进行LPBF过程监测的可变时间尺度。该图展示了如何通过结合不同传感器信号和深度学习模型来实现对增材制造过程的实时监测和缺陷分类，强调了模型在不同时间尺度下的应用效果。
图9展示了用于缺陷识别的卷积神经网络（CNN）设计，该网络使用来自不同传感器类型的3D图像切片。该图展示了如何利用多种传感器数据和机器学习模型来提高增材制造过程中的缺陷检测精度，强调了数据融合的重要性。
“ 3D Science Valley 白皮书 图文解析
”
图10展示了用于实时更新参数的反馈流程，包括六个关键步骤，并提供了参数更新的具体数值范围。该图展示了如何通过机器学习模型实现对增材制造过程中的实时参数更新和误差校正，强调了其在提高打印质量和可靠性方面的应用潜力。
“ 3D Science Valley 白皮书 图文解析
”
图11展示了多头神经网络在不同打印参数下的实时误差检测和快速校正能力。该图展示了机器学习模型在不同打印场景下的适应性和校正能力，强调了其在提高打印质量和可靠性方面的应用潜力。
图12展示了用于检测粉末进料不规则的流程图，包括沉积头的设计、模型的训练和验证以及预训练模型的实时应用。该图展示了如何使用机器学习模型结合传感器数据来检测增材制造过程中的粉末进料问题，强调了其在提高打印质量方面的应用潜力。
图13提供了机器学习在不同增材制造过程中优化工艺的应用概述，以及与工艺优化相关的各种目标。该图展示了机器学习在工艺优化中的多样化应用，强调了其在提高增材制造效率和质量方面的潜力。
图14展示了使用不同工艺参数进行粉末床融合时产生的不同线形，并展示了如何使用机器学习来分类和预测零件的可打印性。该图展示了机器学习在优化粉末床融合工艺中的应用，强调了其在提高打印质量和效率方面的潜力。
图15展示了使用响应面法（RSM）进行多目标优化的工作流程，以优化IPL烧结过程中的电导率和表面粗糙度。该图展示了如何通过结合RSM和遗传算法来优化增材制造过程中的多目标问题，强调了其在提高打印质量和效率方面的潜力。
图16展示了使用RNN-DNN和CNN模型预测3D打印过程中的温度场的示意图。该图展示了如何使用机器学习模型来预测增材制造过程中的温度场，强调了其在优化打印参数和提高打印质量方面的应用潜力。
图17展示了机器学习在增材制造相关应用中优化设计的应用概述。该图展示了机器学习在设计优化中的多样化应用，强调了其在提高设计质量和效率方面的潜力。
“ 3D Science Valley 白皮书 图文解析
”
图18展示了使用机器学习和知识图谱构建增材制造设计规则的框架示意图。该图展示了如何通过结合机器学习和知识图谱来自动化和自主地构建增材制造设计规则，强调了其在提高设计质量和效率方面的应用潜力。
图19展示了用于设计复合机械超材料的优化框架，包括从随机过程中抽取样本、训练变分自编码器以及使用贝叶斯优化进行优化。该图展示了如何使用机器学习模型来优化复合材料的设计，强调了其在提高材料性能和设计效率方面的潜力。
图20展示了使用μCT扫描和SEM图像进行逆向工程的方法示意图。该图展示了如何使用机器学习模型结合成像数据来逆向工程复合材料零件，强调了其在提高设计质量和效率方面的应用潜力。
图21展示了机器学习在增材制造领域预测各种与微观结构相关的属性的应用概述。该图展示了机器学习在微观结构分析中的多样化应用，强调了其在提高材料性能和设计效率方面的潜力。
图22分为两部分：a) 展示了用于预测3D打印金属零件机械性能的机器学习技术的工作流程。b) 展示了用于预测新打印机制造的零件性能的机器学习模型训练工作流程。该图展示了机器学习在预测增材制造零件性能方面的应用，强调了其在提高设计质量和效率方面的潜力。
图23展示了机器学习在增材制造材料配方中的应用概述。该图展示了机器学习在材料配方中的多样化应用，强调了其在提高材料性能和设计效率方面的潜力。
图24展示了使用响应面法（RSM）优化墨水配方以提高电导率和线质量的工作流程。该图展示了如何通过结合RSM和遗传算法来优化增材制造过程中的多目标问题，强调了其在提高打印质量和效率方面的潜力。
图25展示了机器学习在典型生物打印过程中的应用概述。该图展示了机器学习在生物打印中的多样化应用，强调了其在提高打印质量和效率方面的潜力。
图26展示了基于材料挤出的3D打印示意图，以及用于多模态e3皮肤的机器学习框架。该图展示了机器学习在生物电子打印中的应用，强调了其在提高设备性能和设计效率方面的潜力。
图27展示了用于处理打印电极和传感器输出信号的机器学习应用示意图。该图展示了机器学习在处理增材制造过程中传感器数据方面的应用，强调了其在提高设备性能和设计效率方面的潜力。
总结展望
文章总结了机器学习在增材制造中的应用现状，指出其在提高增材制造过程的效率和可靠性方面具有巨大潜力。未来的发展方向包括先进机器学习模型的应用、新型传感器的开发以及机器学习在新兴增材制造相关领域的应用。文章强调，通过建立统一的数据社区，可以加速机器学习在增材制造研究中的应用，推动增材制造技术的进一步发展。
来源
计算化学前沿 l
机器学习在增材制造材料和工艺中的进展和机遇
l 谷专栏 l
欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。
白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷
