机器学习驱动激光金属增材制造的研究进展：工艺-结构-性能新范式

| 3DScienceValley · 2026/09/02

谷专栏

在高端制造业对复杂构件高性能与高可靠性需求不断提升的背景下，激光金属增材制造（LMAM）正从“可制造”迈向“高质量制造”，但其过程复杂、缺陷敏感、性能离散性大等问题仍是关键挑战。

近期，东北大学朱立达教授团队联合新加坡国立大学谭喜鹏教授等多家高校团队在 SCI 期刊《极端制造（英文）》(International Journal of Extreme Manufacturing, IJEM)上共同发表了题为 “Machine learning-assisted process-structure-property correlation in laser metal additive manufacturing: a critical review”的文章，系统综述了机器学习在激光增材制造中从工艺调控、缺陷预测到组织–性能关联等方面的前沿进展。

论文链接：
https://doi.org/10.1088/2631-7990/ae5297

作者
于淼、朱立达,*、杨志超、宁晋生、薛棚升、王书豪、王露、谭喜鹏*

机构
东北大学、新加坡国立大学、西安科技大学、武汉科技大学、香港城市大学

摘要图 机器学习辅助激光金属增材制造概述。

图文解析

图1 不同加工方法与机器学习辅助激光金属增材制造框架。(a) 以叶轮制造为例说明不同制造方法，并阐述激光定向能量沉积（L-DED）与激光粉末床熔融（L-PBF）的特点。(b) 机器学习辅助的过程-结构-性能（PSP）相关性框架。

图1(a) 展示了L-DED与L-PBF相较于传统加工方法的优势及其自身局限，突出体现了增材制造在快速成形和低材料浪费方面的特点。图1(b) 从微观到宏观尺度说明了LMAM过程的可调控性，同时指出，对加工过程、组织演化与性能实现有效控制与反馈，往往依赖多源传感器提供的高精度数据支持。本文综述了近年来基于多尺度PSP关联分析与可解释机器学习方法的LMAM定量研究进展，并对前沿机器学习实现方案进行批判性评估，提出机器学习-物理系统建模-增材制造融合的可行技术路径。最后，在未来发展挑战和展望的背景下，进一步探讨智能增材制造系统发展中的现有限制与潜在机遇。

图2 不同工业部件结构与性能之间关联性的典型实例：(a) 行星着陆器；(b) 燃气轮机叶片；(c) 压电超材料。

图2(a) 展示了行星着陆器中不同零件对结构与性能的权衡，主框架结构需具备高韧性与完整性以承受撞击；隔热结构必须抵御极端温度与腐蚀；而吸震与热防护结构则采用仿生设计（如水蜘蛛网状结构和蜂窝状结构），通过先进结构工程实现高效的冲击缓冲与耐热性能。增材制造部件的性能要求因应用领域而异。在航空航天与国防等高附加值行业，强度、耐久性和可靠性是设计核心（图2(b)）；而在电子信息等领域，精度与几何保真度往往更受重视（图2(c)）。这些差异凸显了增材制造应用的多样性，也强调了适应性工艺设计与结构/性能优化策略的必要性。

图3 机器学习辅助LMAM的应用（通过Google Scholar、Web of Science、Scopus及ScienceDirect等数据库开展了系统性文献检索。检索关键词包括“机器学习”、“激光增材制造”、“原位监测”、“缺陷/气孔”、“力学性能”、“疲劳寿命”及“微观结构-性能相关性”）。（a）不同制造工艺下的模型分析与统计结果；（b）与（c）宏观成形与介观/微观尺度缺陷的零件几何特征汇总；（d）与（e）材料力学强度与疲劳寿命特性汇总。

图3(a)展示了当前在L-DED和L-PBF中主流应用的机器学习方法。目前，不同增材制造过程的预测研究主要聚焦于宏观成形、中/微观尺度缺陷、微观组织以及力学性能等方面。图3(b)–(e)进一步展示了在不同预测目标下各类金属材料的应用分布，为未来主流材料体系的应用拓展与发展方向提供了参考。

总结与展望

图4 机器学习辅助LMAM的现状与发展趋势。（a）当前应用；（b）未来发展方向。

该综述系统回顾了机器学习在增材制造中的应用，并提出机器学习-工艺-性能-制造的集成框架，以阐明工艺、结构与性能之间的内在关联。该框架涵盖两大核心维度：“从工艺到结构”与“从微观特征到材料性能”。基于不同尺度的机器学习应用，我们剖析了当前机器学习辅助增材制造的现状，并提出了实施ML-PSP-AM框架的有效策略 (图4(a))。

未来机器学习辅助增材制造将呈现双向并进的特征 (图4(b))：“0到1”的突破性变革与“1到∞”的持续性创新。“0到1”指机器学习模型在增材制造新兴与前沿场景中的拓展应用，以推动关键技术实现实质性突破；“1到∞”的创新则聚焦算法层面的深度优化，通过不断提升模型预测精度与计算效率，强化其实用价值。二者协同发展，有望加速增材制造技术迭代，提升制造系统的智能化水平，并为高端与可持续制造提供有力支撑。

论文引用

Yu M, Zhu L D, Yang Z C, Ning J S, Xue P S, Wang S H, Wang L, Tan X P. 2026. Machine learning-assisted process-structure-property correlation in laser metal additive manufacturing: a critical review.Int. J. Extrem. Manuf. 8 042005.

研究团队简介

朱立达（通讯作者），东北大学机械工程与自动化学院教授/博士生导师，现为东北大学副处长，辽宁省CAD/CAM工程中心主任。长期从事数字化设计与制造等研究方向，主持国家自然科学基金4项、教育部等省部级项目共计8项，参与国家重点研发项目等国家级项目5项。以第一作者或共同作者发表SCI一区论文76篇，ESI高倍引论文11篇，ESI热点论文8篇，最高影响因子32.88。入选全球前2%顶尖科学家。曾获辽宁省科技发明奖“一等奖”，中国振动工程学会自然奖“二等奖”等多个奖项。目前担任International Journal of Extreme Manufacturing、Research、International Journal of Mechanical Engineering and Applications、Intelligent and Sustainable Manufacturing等国际期刊编委或青年编委。

谭喜鹏（通讯作者），新加坡国立大学机械工程系助理教授。2013年于中国科学院金属研究所（沈阳）获得材料科学博士学位。在法国完成原子探针层析成像技术博士后研究后，加入南洋理工大学担任高级研究员，从事金属增材制造研究。谭教授现领导新成立的XP3 Lab@NUS，专注于粉末材料、3D打印及原子探针层析成像技术，主要研究方向为高性能金属增材制造的微观结构设计与控制策略。在Nature Communications, Acta Materialia, Additive Manufacturing, International Journal of Extreme Manufacturing等知名国际期刊发表论文70余篇。近期发表成果在谷歌学术中被引用超过9500次。2021至2025年连续入选斯坦福全球顶尖科学家榜单前2%。

于淼（第一作者），东北大学机械工程与自动化学院在读博士生，曾多次获得国家及校级奖/助学金。主要研究方向为机器学习辅助金属增材制造成形与性能的预测与调控。以第一作者或通讯作者在International Journal of Extreme Manufacturing, Computers in Industry, Mechanical Systems and Signal Processing等国际期刊发表论文5篇。