浏览全部资源
扫码关注微信
收稿：2025-12-20，
修回：2026-02-03，
纸质出版：2026-04-20
移动端阅览
增材制造技术以其高度的几何自由度和定制化能力，在航空航天、汽车、生物医疗及高端装备等领域展现出巨大的应用潜力。然而，对于金属增材制造而言，如何高效地设计出性能优异且满足特定功能需求的结构，并准确预测其在复杂工况下的力学行为和服役性能，仍是制约其进一步迈向大规模产业化的关键瓶颈。本文对近年来基于数据驱动和物理机理约束的人工智能代理模型在激光金属增材中的应用研究进行了简要综述，主要包括其在结构设计优化、宏观性能快速预测、工艺参数-微观组织-宏观性能关联分析等方面的典型研究应用，并针对目前激光金属增材与人工智能相结合领域的痛点及应对策略给出了一些建议，旨在为相关领域的研究人员和工程技术人员提供有价值的参考和启示，推动金属增材制造向更智能、更高效、更可靠的方向发展。
Additive manufacturing (AM) has demonstrated substantial application potential in aerospace
automotive
biomedical
and high-end equipment industries
owing to its exceptional geometric freedom and customization capabilities. However
for metal additive manufacturing
the efficient design of high-performance structures that satisfy specific functional requirements
along with the accurate prediction of their mechanical behavior and service performance under complex working conditions
remains a critical bottleneck hindering its widespread industrial adoption. This paper presents a concise review of recent research on artificial intelligence surrogate models
constrained by both data-driven approaches and physical mechanisms
in laser-based metal additive manufacturing. The review primarily covers typical applications in structural design optimization
rapid prediction of macroscopic properties
and correlation analysis among process parameters
microstructure
and macroscopic properties. Furthermore
several recommendations are provided regarding the current challenges and corresponding strategies in the integration of laser metal additive manufacturing with artificial intelligence. The objective is to offer valuable insights and references for researchers and engineers in related fields
thereby promoting the development of metal additive manufacturing toward greater intelligence
efficiency
and reliability.
FRAZIER W E . Metal Additive Manufacturing： A Review ［J］. Journal of Materials Engineering & Performance ， 2014 ， 23 （ 6 ）： 1917 - 1928 .
DONCHEVA E ， PETRESKI M ， ZDRAVESKI F . Metal additive manufacturing with topology optimization methodology for innovative structural design ［C］// 19th International Scientific Conference on Industrial Systems ， 2023 ： 100 - 105 .
KRUTH J P ， MERCELIS P ， VAN VAERENBERGH J ， et al . Binding mechanisms in selective laser sintering and selective laser melting ［J］. Rapid Prototyping Journal ， 2005 ， 11 （ 1 ）： 26 - 36 .
DEBROY T ， MUKHERJEE T ， WEI H L ， et al . Metallurgy，mechanistic models and machine learning in metal printing ［J］. Nature Reviews Materials ， 2021 ， 6 （ 1 ）： 48 - 68 .
WANG J ， PAPADOPOULOS P . Finite element analysis enabled optimization of process parameters in additive manufacturing ［J］. Finite Elements in Analysis and Design ， 2025 ， 244 ： 104282 .
SIMPSON T W ， POPLINSKI J D ， KOCH P N ， et al . Metamodels for computer-based engineering design： survey and recommendations ［J］. Engineering with Computers ， 2001 ， 17 （ 2 ）： 129 - 150 .
BURGES C J C . A tutorial on support vector machines for pattern recognition ［J］. Data Mining and Knowledge Discovery ， 1998 ， 2 （ 2 ）： 121 - 167 .
RODRIGUEZ-GALIANO V F ， GHIMIRE B ， ROGAN J ， et al . An assessment of the effectiveness of a random forest classifier for land-cover classification ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2012 ， 67 ： 93 - 104 .
ZHU Z ， ANWER N ， HUANG Q ， et al . Machine learning in tolerancing for additive manufacturing ［J］. CIRP Annals ， 2018 ， 67 （ 1 ）： 157 - 160 .
BATURYNSKA I ， MARTINSEN K . Prediction of geometry deviations in additive manufactured parts： comparison of linear regression with machine learning algorithms ［J］. Journal of Intelligent Manufacturing ， 2020 ， 32 （ 1 ）： 179 - 200 .
PAULSON N H ， GOULD B ， WOLFF S J ， et al . Correlations between thermal history and keyhole porosity in laser powder bed fusion ［J］. Additive Manufacturing ， 2020 ， 34 ： 101213 .
GAIKWAD A ， YAVARI R ， MONTAZERI M ， et al . Toward the digital twin of additive manufacturing：integrating thermal simulations，sensing，and analytics to detect process faults ［J］. IISE Transactions ， 2020 ， 52 （ 11 ）： 1204 - 1217 .
KUSANO M ， MIYAZAKI S ， WATANABE M ， et al . Tensile properties prediction by multiple linear regression analysis for selective laser melted and post heat-treated Ti-6Al-4V with microstructural quantification ［J］. Materials Science and Engineering ， 2020 ， 787 ： 139549 .
MAO Y ， HE Q ， ZHAO X . Designing complex architectured materials with generative adversarial networks ［J］. Science Advances ， 2020 ， 6 （ 17 ）： 4169 .
PAHLAVANI H ， TSIFOUTIS-KAZOLIS K ， SALDIVAR M C ， et al . Deep learning for size-agnostic inverse design of random-network 3D printed mechanical metamaterials ［J］. Advanced Materials ， 2024 ， 36 （ 6 ）： 2303481 .
SUI F ， GUO R ， ZHANG Z ， et al . Deep reinforcement learning for digital materials design ［J］. ACS Materials Letters ， 2021 ， 3 （ 10 ）： 1433 - 1439 .
SUN X ， YUE L ， YU L ， et al . Machine learning evolutionary algorithm enabled design for 4D-printed active composite structures ［J］. Advanced Functional Materials ， 2022 ， 32 （ 10 ）： 2109805 .
PAHLAVANI H ， AMANI M ， SALDÍVAR M C ， et al . Deep learning for the rare-event rational design of 3D printed multi-material mechanical metamaterials ［J］. Communications Materials ， 2022 ， 3 （ 1 ）： 46 .
XUE T ， WALLIN T J ， MENGUC Y ， et al . Machine learning generative models for automatic design of multi-material 3D printed composite solids ［J］. Extreme Mechanics Letters ， 2020 ， 41 ： 100992 .
GOH G D ， SING S L ， LIM Y F ， et al . Machine learning for 3D printed multi-materials tissue-mimicking anatomical models ［J］. Materials & Design ， 2021 ， 211 ： 110125 .
WANG R ， STANDFIELD B ， DOU C ， et al . Real-time process monitoring and closed-loop control on laser power via a customized laser powder bed fusion platform ［J］. Additive Manufacturing ， 2023 ， 66 ： 103449 .
ALMASRI W ， BETTEBGHOR D ， ABABSA F ， et al . Deep learning architecture for topological optimized mechanical design generation with complex shape criterion ［C］// Advances and Trends in Artificial Intelligence . Artificial Intelligence Practices ， 2021 ： 222 - 234 .
OGOKE F ， FARIMANI A B . Thermal control of laser powder bed fusion using deep reinforcement learning ［J］. Additive Manufacturing ， 2021 ， 46 ： 102033 .
DHARMADHIKARI S ， MENON N ， BASAK A . A reinforcement learning approach for process parameter optimization in additive manufacturing ［J］. Additive Manufacturing ， 2023 ， 71 ： 103556 .
GHAYOOOMI MOHAMMADI M ， MAHMOUD D ， ELBESTAWI M . On the application of machine learning for defect detection in L-PBF additive manufacturing ［J］. Optics & Laser Technology ， 2021 ， 143 ： 107338 .
OSTER S ， BREESE P P ， ULBRICHT A ， et al . A deep learning framework for defect prediction based on thermographic in-situ monitoring in laser powder bed fusion ［J］. Journal of Intelligent Manufacturing ， 2023 ， 35 （ 4 ）： 1687 - 1706 .
GADDE D ， ELWANY A ， DU Y . Deep learning to analyze spatter and melt pool behavior during additive manufacturing ［J］. Metals ， 2025 ， 15 （ 8 ）： 840 .
XIE X ， BENNETT J ， SAHA S ， et al . Mechanistic data-driven prediction of as-built mechanical properties in metal additive manufacturing ［J］. npj Computational Materials ， 2021 ， 7 （ 1 ）： 86 .
MOON S ， MA R ， ATTARDO R ， et al . Impact of surface and pore characteristics on fatigue life of laser powder bed fusion Ti-6Al-4V alloy described by neural network models ［J］. Scientific Reports ， 2021 ， 11 （ 1 ）： 20424 .
TU Y ， LIU Z ， CARNEIRO L ， et al . Towards an instant structure-property prediction quality control tool for additive manufactured steel using a crystal plasticity trained deep learning surrogate ［J］. Materials & Design ， 2022 ， 213 ： 110345 .
ZHANG Z ， MATIVENGA P ， ZHANG W ， et al . Deep learning-driven prediction of mechanical properties of 316L stainless steel metallographic by laser powder bed fusion ［J］. Micromachines ， 2024 ， 15 （ 9 ）： 1167 .
SHANG X ， LIU Z ， ZHANG J ， et al . Tailoring the mechanical properties of 3D microstructures： a deep learning and genetic algorithm inverse optimization framework ［J］. Materials Today ， 2023 ， 70 ： 71 - 81 .
ZHU Q ， LIU Z ， YAN J . Machine learning for metal additive manufacturing：predicting temperature and melt pool fluid dynamics using physics-informed neural networks ［J］. Computational Mechanics ， 2021 ， 67 （ 2 ）： 619 - 635 .
XIE J ， CHAI Z ， XU L ， et al . 3D temperature field prediction in direct energy deposition of metals using physics informed neural network ［J］. The International Journal of Advanced Manufacturing Technology ， 2022 ， 119 （ 5-6 ）： 3449 - 3468 .
LIAO S ， XUE T ， JEONG J ， et al . Hybrid thermal modeling of additive manufacturing processes using physics informed neural networks for temperature prediction and parameter identification ［J］. Computational Mechanics ， 2023 ， 72 （ 3 ）： 499 - 512 .
LIU R ， LIU S ， ZHANG X . A physics-informed machine learning model for porosity analysis in laser powder bed fusion additive manufacturing ［J］. The International Journal of Advanced Manufacturing Technology ， 2021 ， 113 （ 7-8 ）： 1943 - 1958 .
GUO W G ， TIAN Q ， GUO S ， et al . A physics-driven deep learning model for process-porosity causal relationship and porosity prediction with interpretability in laser metal deposition ［J］. CIRP Annals ， 2020 ， 69 （ 1 ）： 205 - 208 .
TIAN Q ， GUO S ， MELDER E ， et al . Deep learning-based data fusion method for in situ porosity detection in laser-based additive manufacturing ［J］. Journal of Manufacturing Science and Engineering ， 2021 ， 143 （ 4 ）： 041011 .
DU Y ， MUKHERJEE T ， DEBROY T . Physics informed machine learning and mechanistic modeling of additive manufacturing to reduce defects ［J］. Applied Materials Today ， 2021 ， 24 ： 101123 .
KOVACHKI N ， LI Z ， LIU B ， et al . Neural operator： learning maps between function spaces with applications to PDEs ［J］. Journal of Machine Learning Research ， 2023 ， 24 （ 1 ）： 89 .
LI Z ， ZHENG H ， KOVACHKI N ， et al . Physics-informed neural operator for learning partial differential equations ［J］. ACM/IMS Journal of Data Science ， 2024 ， 1 （ 3 ）： 1 - 27 .
ROSOFSKY S G ， AL MAJED H ， HUERTA E A . Applications of physics informed neural operators ［J］. Machine Learning： Science and Technology ， 2023 ， 4 （ 2 ）： 025022 .
相关作者
相关机构
公网安备11010802024621
