在航空航天和醫療植入領域，Ti-6Al-4V合金因其高強度、耐腐蝕等特性備受青睞。但傳統激光粉末床熔融（LPBF）技術面臨巨大挑戰：打印后的合金雖強度高達1100MPa，延展性卻不足8%；若通過熱處理提升延展性，強度又會驟降。這種“強度-延展性”的天然矛盾，讓科學家們陷入“魚與熊掌不可兼得”的困境。
​破局利器：主動學習框架開啟“智能篩選”新時代
韓國浦項科技大學團隊在《Nature Communications》發表突破性研究，首創“帕累托主動學習框架”，將傳統數月實驗縮短至5輪迭代，成功找到296種候選參數中的最優組合。該框架兩大核心黑科技：
 

• 高斯過程回歸（GPR）

像“材料預言家”一樣，通過119組歷史數據學習工藝參數與性能的復雜關系。

• 超體積優化算法（EHVI）

化身“智能勘探員”，在每次實驗中優先測試潛力最大且不確定性高的參數組合，快速逼近性能極限。

性能炸裂：1190MPa強度+16.5%延展性創紀錄
經過5輪迭代實驗，團隊取得驚人成果：

• 1輪突破：在保持1060MPa強度下，延展性從14%飆升至18.3%

• 終極性能：最優參數制備的合金實現1190MPa抗拉強度+16.5%總延伸率，較傳統鍛造工藝提升30%以上

• 全面碾壓：10組新參數合金性能全部超越歷史數據，刷新性能天花板

微觀揭秘：算法找到的“黃金配方”有何奧秘？
通過電子背散射衍射（EBSD）分析發現，最優參數合金同時具備兩大特性：

• 高強度密碼：超細α板條（<1μm）與窄化β晶界，通過大量晶界阻礙位錯運動

• 高延展性密鑰：基底滑移系施密特因子集中0.4-0.5區間，促進位錯滑移能力提升46%

點擊鏈接可直接下載文獻：Active learning framework to optimize process parameters for additive manufactured Ti-6Al-4V with high strength and ductility.pdf

主要圖文
 

圖1 整體流程示意圖。 圖中展示了探索具有優異機械性能的 Ti-6Al-4V 合金總體流程的三個組成部分：a) 構建包含加工參數和熱處理參數的初始 Ti-6Al-4V 激光粉末床熔化（LPBF）數據集。b) 實施 Pareto 主動學習框架。所提出的主動學習框架通過每次迭代從未標記數據集中選擇兩個 LPBF 工藝參數與熱處理條件的組合進行操作。期望這兩個組合能夠最大限度地擴展由黃色線條所示的 Pareto 前沿，該前沿代表著在提升某一性能時必然需要犧牲另一性能的折衷面。基于這兩個組合，通過拉伸試驗制備 Ti-6Al-4V 合金，并獲得其極限抗拉強度（UTS）和總延展性（TE）值。隨后，將這些試驗獲得的新數據加入到標記數據集中以擴展 Pareto 前沿，并在重復過程中推薦另兩個組合進行測試。c) 通過微觀結構分析驗證所選參數組合制備的 Ti-6Al-4V 合金樣品具備優異的 UTS 和 TE 值。
 

圖2 | 展示五個輸入參數與兩項機械性能之間相關性的成對圖及數據分布。  a) 圖中展示了五個輸入參數與極限抗拉強度（UTS，粉色）之間以及與總延展性（TE，藍色）之間的相關性。由于初始數據集（來自多項研究和不同實驗條件）的內在變異性及參數間的相互依賴，各參數的單獨效應是在未固定其他參數的情況下可視化的。圖中陰影區域表示數據點的分布情況，反映了各數據集中數據的波動與散布；而實線則顯示了基于線性回歸擬合獲得的趨勢線，捕捉了各變量間的整體關系。   b) 圖中還展示了初始數據集中所有 Ti-6Al-4V 樣品的分布（以灰色標記），以及基于激光功率、熱處理溫度和熱處理時間，將總延展性排名前10%的樣品以藍色、極限抗拉強度排名前10%的樣品以紅色標記。
 

圖3：本文提出的Pareto主動學習框架概覽。該框架通過迭代重復各步驟，旨在篩選出一種能夠同時實現Ti-6Al-4V合金高極限抗拉強度和高總延展性的參數組合。
 

圖4：主動學習迭代結果。 a) 第一輪；   b) 第二輪；   c) 第三輪；   d) 第四輪；   e) 第五輪。圖中黃色菱形代表預測的性能，紅色三角形代表實驗結果。   f) Ti-6Al-4V 合金的拉伸強度（UTS）與總延展性（TE）的 Ashby 圖。此圖基于初始數據集（補充數據1）、DED 加工以及鍛造 Ti-6Al-4V 樣品（補充數據2）的數據構建，其中陰影區域表示不同數據集中 UTS 與 TE 的屬性空間，展示了各種加工方法下數據點的分布情況。橙色區域（方形標記）對應于初始數據；藍色區域（三角形標記）對應于 DED 獲取的數據；綠色陰影區域（五邊形標記）表示鍛造 Ti-6Al-4V 樣品的數據；最后，紅色圓形標記顯示了通過所提出的框架獲得的優化性能。
 

圖5：所選組合的預測極限抗拉強度（UTS）和總延展性（TE）值及其概率密度函數。a) 第一次迭代，   b) 第二次迭代，   c) 第三次迭代，   d) 第四次迭代，   e) 第五次迭代。圖中黃色菱形表示預測性能，紅色三角形表示實驗結果；藍色顯示的概率密度函數對應每次迭代中第一個樣品（如 1-1、2-1、3-1、4-1、5-1），而紅色顯示的概率密度函數對應第二個樣品（如 1-2、2-2、3-2、4-2、5-2）
 

圖6：1-1、2-1、3-1 和 3-2 樣品中強度演變的微觀結構分析。a1–d1：在 LPBF 樣品的 xz 平面上觀察到的 α 板條的低倍率 EBSD IPF 圖。   a2–d2：對應于（a1–d1）所示區域的 xz 平面上，根據局部馬氏體 α 相織構，并依照 Burgers 取向關系重構得到的先前 β 相的 IPF 圖。   a3–d3：對應于（a1–d1）的等高線極圖。   a4–d4：對應于（a1–d1）的等高線極圖。
 

圖7：1-1、2-1、3-1 和 3-2 樣品中延展性演變的微觀結構分析。 a1–d1為對應于圖6a1–d1、a2–d2區域中基底滑移系統 {0001} 的SF圖。各圖通過尺寸展示了SF值的頻率分布，其中與基底滑移系統對應的SF值區間以藍色高亮顯示，并在每個圖左上角的藍色矩形中標注了該區間內的總頻數。

作者簡介
 

Seungchul Lee博士現任韓國科學技術院（KAIST）機械工程系副教授。他的研究領域涵蓋機械系統的工業人工智能、智能制造、材料及醫療健康方向，并且在KAIST致力于基于知識指導的人工智能與由AI驅動的知識發現工作。
信息來源：https://iai.postech.ac.kr/people/professor
 

Hyoung Seop Kim 教授現任韓國浦項科技大學（POSTECH）材料科學與工程系教授，同時兼任鐵及環保材料技術研究院的教授，并參與韓國延世大學以及日本東北大學先進材料研究項目（WPI-AIMR）的聯合研究。他的研究主要聚焦于材料結構設計與性能優化，涵蓋多個前沿領域，包括：

物理冶金與金屬塑性變形：致力于多孔及非晶材料的力學行為模擬，以及針對納米結構金屬材料的嚴重塑性變形進行研究。

高熵合金與增材制造：探索高熵合金的開發、處理及加工工藝，同時面向金屬增材制造和異質結構材料設計展開創新研究。

計算機模擬和人工智能應用：利用先進的數值仿真與機器學習工具，對金屬塑性變形和熱機械行為進行系統性研究，為材料設計提供數據驅動的決策支持。

信息來源：https://www.wpi-aimr.tohoku.ac.j ... searcher/kim_h.html

(責任編輯：admin)

• 用于組織工程與再生醫學的
• 告別“試錯法”！新型AI算
• 多材料3D打印-墨水直寫：N
• 南科大-俞書宏院士 崔晨:
• Ad-Proc-Add II，金屬3D打
• dditive Appearance推出多

• ·用于組織工程與再生醫學的3D生物打印水
• ·告別“試錯法”！新型AI算法5步鎖定3D
• ·多材料3D打印-墨水直寫：Nature Review
• ·南科大-俞書宏院士 崔晨:超高填料含量
• ·Ad-Proc-Add II，金屬3D打印電化學后處
• ·dditive Appearance推出多材料3D打印軟
• ·從賽場到爆款：烏龜杯墊如何從3D打印賽
• ·3D打印陶瓷技術：從材料革新到跨領域應