《Nanomaterials》：Hybrid Multimodal Surrogate Modeling and Uncertainty-Aware Co-Design for L-PBF Ti-6Al-4V with Nanomaterials-Informed Morphology Proxies
Rifath Bin Hossain,
Xuchao Pan,
Geng Chang,
Xin Su,
Yu Tao and
Xinyi Han
编辑推荐：
在激光粉末床熔融（L-PBF）制造Ti-6Al-4V过程中，可靠的性能预测和工艺选择因数据集小、关键形貌特征间歇性缺失而受限。本研究提出一种混合多模态代理策略，将工程化的工艺物理特征与形态学代理相结合，通过可部署的两阶段嵌入模块和梯度提升树回归器，为六个力学和表面目标建立了预测模型。该框架实现了不确定性感知的候选配方生成，在约束条件下识别了可平衡强度与表面目标的制造方案，为多模态、小数据的增材制造研究提供了实用模板，可加速功能性和生物医学合金的开发。
激光粉末床融合（Laser Powder Bed Fusion, L-PBF）作为一种革命性的增材制造技术，能够直接制造出具有复杂几何形状和功能表面的金属部件，在航空航天、生物医疗等领域展现出巨大潜力。其中，Ti-6Al-4V（钛6铝4钒）合金因其优异的比强度、生物相容性和耐腐蚀性，成为L-PBF技术应用最广泛的材料之一。然而，从实验室的理想部件走向工业化的可靠生产，仍面临着一道关键的“工艺-性能”鸿沟。工程师们发现，仅仅调整激光功率、扫描速度等工艺参数，难以稳定地预测最终零件的屈服强度、延伸率乃至表面光洁度。这背后的科学挑战在于，工艺参数通过影响熔池热历史，间接决定了材料内部的缺陷（如气孔）数量和微观结构（如前β晶粒）的演变，而这些“隐藏”的微观状态最终介导了宏观的力学和表面响应。传统的解决思路是建立“配方”级的代理模型（Surrogate Model），通过学习历史实验数据来预测新工艺条件下的性能。但在现实中，可用于建模的数据往往“又少又不全”：实验成本高昂导致“配方”数量有限（小样本），而全面的微观形貌表征耗时费力，使得许多样本的关键形貌描述符（Descriptor）缺失。这种“小数据、多模态、部分观测”的困境，严重限制了模型的泛化能力和实际部署价值，也阻碍了高效、可靠的“工艺-结构-性能”协同设计。
为了解决这一部署瓶颈，由Rifath Bin Hossain, Xuchao Pan, Geng Chang, Xin Su, Yu Tao 和 Xinyi Han组成的研究团队在《Nanomaterials》上发表了一项研究。他们没有停留在追求理想化（Oracle）的预测精度，而是从实际工程决策的角度出发，构建了一个面向部署的混合多模态代理建模与不确定性感知协同设计框架。该研究的核心在于，明确承认形貌信息是“有益但可能缺失的”，从而在建模流程中严格区分了“预言家模式”（拥有全部形貌信息）和“部署模式”（形貌信息可能缺失）。研究人员通过一种创新的两阶段嵌入学习策略，在训练阶段从可用的形貌数据中学习其本质特征（嵌入，Embedding），在预测阶段，当形貌信息缺失时，则利用工艺参数来预测这些嵌入。这种方法避免了常见的研究陷阱——即仅报告在拥有全部完美数据时的性能提升，而是提供了一个更贴近现实的可部署方案。最终，该框架不仅能够对多种力学性能（如屈服强度、抗拉强度、延伸率、弹性模量）和表面特性（粗糙度、硬度）进行准确预测，还能生成一个在不确定性约束下筛选出的、有限的最优工艺配方候选集，为工程师的决策提供了兼具可靠性和可操作性的支持。
为开展此项研究，作者们主要应用了以下几项关键技术方法：首先是构建了一个以“配方集”（set_id）为分析单元的泄漏控制（Leakage Control）数据集，确保模型评估的严谨性；其次，采用了混合多模态特征工程，将原始工艺参数、衍生的线能量密度（LED）等工程物理特征，与从孔洞、晶粒等对象级统计中汇聚的形貌代理特征相结合；第三，核心方法是基于梯度提升树（Gradient-Boosted Tree）回归器的可部署代理模型，并创新性地引入了针对形态学特征的两阶段嵌入学习与预测模块；第四，采用了按set_id分组的5折交叉验证（GroupKFold）来严格评估模型性能，防止数据泄漏；最后，集成了一个不确定性感知的协同设计与候选生成循环，利用模型预测的均值和离散度估计，在约束条件下进行配方筛选和排序。
2. 材料、数据来源与预处理
本研究组装了一个L-PBF Ti-6Al-4V的配方级数据集，其中每个制造条件被视为一个独立的“集”（set_id，共42个）。所有端点的观测值都在此集级别上进行了汇总。特征空间包括原始工艺参数、衍生的工程物理特征，以及从孔洞、前β晶粒和应力-应变曲线中提取的形态学/微结构代理特征。数据处理采用了分组交叉验证，严格防止了不同配方集之间的信息泄漏，保证了评估的可靠性。
2.1. 研究设计与集水平分析单元
分析的基本单元是配方集（set_id）。所有与力学性能、表面响应相关的端点指标都在集内进行算术平均，以得到一个集级别的目标值，从而与数据库惯例保持一致，并避免因同一配方下的多个样本测量导致的伪重复问题。
2.2. L-PBF工艺参数空间与工程物理特征
主要的输入变量包括L-PBF工艺参数，如激光功率（P）、扫描速度（v）、铺粉间距（h）和层厚（t）。此外，还构建了线能量密度（LED = P/v）和体能量密度（VED = P/(v·h·t)）等物理意义明确的工程描述符，作为工艺空间的紧凑表征。这些描述符与原始参数一同作为模型的输入特征。
2.3. 目标定义：屈服强度、抗拉强度、延伸率、模量、粗糙度、硬度
研究设定了六个集级别的响应变量，用于量化材料的力学性能和表面质量，分别是：0.2%偏移屈服强度（yield, MPa）、极限抗拉强度（UTS, MPa）、断裂总延伸率（elongation, %）、杨氏模量（modulus, GPa）、表面粗糙度（roughness, μm）和维氏显微硬度（hardness, HV）。每个目标的取值均为其对应配方集内所有测量值的算术平均值。
2.4. 形态学与微结构代理
形态学信息（如孔洞、晶粒）以对象级别的测量值形式存在。为了将其整合到集级别的建模中，研究采用了统计汇合的方法，计算了每个形态学描述符在集内的分布矩（如均值、标准差）和分位数，从而生成固定长度的集级别特征向量，以保留分布的集中趋势、离散程度和尾部特征等信息。
3. 方法论与模型构建
研究的核心是构建一个可部署的、混合多模态代理模型工作流。其关键创新在于明确区分了“预言家”和“部署”两种模式。在“预言家模式”下，模型在训练和预测时都能获得真实的形态学特征；而在更贴近现实的“部署模式”下，当某些样本的形态学信息缺失时，系统会利用训练好的嵌入预测器，根据已有的工艺参数来推断其形态学嵌入，再将此预测嵌入输入到主预测模型中。所有模型均在按set_id分组的5折交叉验证下进行训练与评估，确保了性能评估的严格性。最终的代理模型采用了梯度提升树回归器。
4. 结果
研究表明，该框架在六个预测目标上取得了良好的性能。在部署模式下，最终模型在测试集上达到的RMSE/R2分别为：屈服强度 11.07 MPa/0.895，抗拉强度 13.88 MPa/0.873，延伸率 0.677%/0.861，弹性模量 2.38 GPa/0.663。然而，表面粗糙度和硬度的预测仍然具有挑战性（R2约为0.12和0.11）。研究还通过对比“预言家模式”和“部署模式”的性能，量化了形态学信息的价值边界，并评估了从工艺参数预测形态学嵌入的可能性，为是否需要额外表征提供了决策依据。最重要的是，该框架被集成到一个决策层中，能够利用模型预测的不确定性（均值和离散度估计），在给定的工艺窗口内生成有限的候选配方池，并在考虑不确定性下进行约束满足性检查和排序，最终筛选出能同时满足强度目标和表面质量要求的最有前景的制造方案。
5. 结论与讨论
本研究成功建立了一个面向实际部署的混合多模态代理建模与不确定性感知协同设计框架，专门用于L-PBF Ti-6Al-4V的工艺开发。其重要意义在于，它提供了一套严格、实用的模板，以应对小样本、多模态数据部分缺失的普遍挑战。该工作明确区分了科学探索的理论上限（预言家模式）与工程决策的实际可行性（部署模式），通过严格的泄漏控制和分组评估，得出了可信、可推广的结论。对“预言家-部署”差距的分析，为理解形态学信息的价值提供了清晰解释，明确了在何种情况下必须进行额外的微观表征，以及在何种情况下可以将其视为一个能从工艺参数中可靠推断的潜在状态，从而支持前瞻性的配方筛选。通过将预测不确定性纳入约束满足和方案排序，该框架降低了选择“脆弱”工艺配方的风险，支持了需要在满足主体力学性能要求的同时兼顾表面相关约束的多目标优化。尽管该研究基于L-PBF Ti-6Al-4V，但其方法论框架具有可转移性，可适用于其他具有稀疏、部分观测的多模态数据的“工艺-结构-性能”系统，前提是针对新系统的具体描述符和目标变量进行重新表述，并在新领域进行重新训练和前瞻性验证。
