《Journal of Materials Research and Technology》：Thermal–Microstructural Coupling in Laser DED 316L: Predictive Modelling of δ-Ferrite Fraction as a Microstructural Indicator
编辑推荐：
在激光定向能量沉积(DED)制造中，局部热历程如何决定微观结构的空间变异性，是控制材料性能均匀性的核心挑战。本研究针对316L不锈钢，以δ-铁素体为相级指标，将工艺条件、模拟热历程与微观结构演化定量关联，构建了基于机器学习的δ-铁素体分数预测框架。研究人员通过建立有限元热模型、量化δ-铁素体空间分布，并训练机器学习模型，成功实现了从热描述符预测δ-铁素体分数，平均偏差2-3%。该工作为基于热历程预测和评估DED 316L微观结构提供了定量化工具，对实现工艺驱动的微观结构设计与控制具有重要意义。
想象一下，用高能激光束一层层“打印”出一个复杂的金属零件，这种被称为定向能量沉积(Directed Energy Deposition, DED)的增材制造技术，以其高沉积速率和修复能力，正在航空航天、能源和模具制造等领域大放异彩。其中，316L奥氏体不锈钢因其优异的耐腐蚀性和力学性能，成为DED技术的“常客”。然而，这项看似炫酷的技术背后，隐藏着一个棘手的难题：在激光束快速移动、层层堆积的过程中，材料经历着剧烈且不均匀的加热与冷却。这种瞬息万变的热历程，就像一位脾气难以捉摸的“雕塑家”，在零件内部雕刻出千差万别的微观结构。这些微观结构的差异，直接决定了最终零件的强度、韧性乃至使用寿命。因此，如何预测并控制这个“热雕塑家”的作品，确保零件内部微观结构的均匀与稳定，是提升DED制件可靠性的关键，也是该领域科学家和工程师们孜孜以求的目标。
在316L不锈钢的DED过程中，一个尤为关键且敏感的“微观温度计”是δ-铁素体(δ-ferrite)。它通常在快速非平衡凝固过程中形成，并在后续的重复加热中可能部分溶解。其残留的数量和形态，与局部热历史紧密耦合，特别是与加热引发的再结晶(Recrystallization)行为密切相关。完全再结晶的区域，δ-铁素体会溶解消失；而再结晶不完全的区域，δ-铁素体则会保留下来。因此，δ-铁素体的空间分布，就像一张地图，精准地反映了零件内部经历的热历程差异和微观结构演化状态。然而，以往的研究大多关注δ-铁素体对力学性能的影响，未能定量建立其空间分布与决定再结晶和相稳定的、工艺依赖的局部热历史之间的直接联系。这个空缺，使得我们难以在制造前预知微观结构，也限制了通过优化工艺参数来主动调控微观结构均匀性的能力。
为了破解这一难题，由Marzia Saghafi、Ruth Jill Urbanic和Ahmet T. Alpas组成的研究团队开展了一项深入的研究，他们的成果发表在《Journal of Materials Research and Technology》上。这项研究的核心目的，是要在激光DED 316L中，建立一个将空间δ-铁素体变化与工艺依赖性热历史联系起来的定量框架。研究人员试图回答：能否用计算模拟或原位测量的温度-时间数据，来精准预测零件内部δ-铁素体的含量？这相当于为DED工艺配备一双“预见之眼”，在制造开始前就能“看到”最终零件的微观结构图谱。
为了实现这一目标，研究团队采用了一套多学科交叉的“组合拳”。他们首先制备了三种不同几何形状的DED 316L试样，包括单道单层、五层薄壁和矩形多道表面熔覆构建体，以覆盖从简单到复杂的沉积场景。利用X射线衍射(XRD)、扫描电子显微镜/能谱仪(SEM/EDS)和电子背散射衍射(EBSD)等技术，他们精确量化了δ-铁素体的相分数、形貌和分布。与此同时，他们建立并验证了一个有限元(Finite Element, FE)热模型，用于模拟沉积过程中的瞬态温度场，生成了与实验取样位置一一对应的、详细的局部温度-时间历史数据。接着，他们从这些热历史数据中提取了80多个具有物理意义的“热描述符”，这些描述符量化了峰值温度、在各关键温度区间（如液相线以上、糊状区、奥氏体区、再结晶窗口）的加热/冷却速率及停留时间等。最后，他们将实验测量的δ-铁素体分数与对应位置的热描述符配对，构建数据集，并训练了前馈神经网络和随机森林两种机器学习模型，以建立从热历史到δ-铁素体分数的预测关系。
研究结果清晰地揭示了热历程如何“雕刻”微观结构。微观结构表征表明，δ-铁素体的保留与再结晶程度强烈相关。在再结晶完全的等轴晶区域，几乎检测不到δ-铁素体；而在再结晶不完全的柱状晶区域，δ-铁素体则以骨骼状或沿晶界形式保留下来。在矩形熔覆构建体中，沿着沉积路径，δ-铁素体的分布呈现出明显的空间不均匀性：起始区域因经历多次重加热，δ-铁素体含量低甚至完全溶解；中部区域较为均匀；而末端区域由于热积累导致冷却变慢，δ-铁素体保留量更高。这些观察结果在NaOH侵蚀后的光学显微照片和EBSD相图中得到了直观的展示。
有限元热模拟为上述微观结构差异提供了热学根源。对矩形构建体中三个代表性位置（起始、中部、末端）提取的温度-时间曲线显示，它们经历的加热-冷却循环次数、峰值温度和冷却速率存在显著差异。例如，起始位置经历了多次重加热循环和长达约2000秒的低于再结晶温度的亚临界热暴露，而中部顶层位置仅在再结晶窗口经历了约25秒。这种在再结晶窗口和亚临界区热暴露时间的巨大差异，直接解释了不同位置δ-铁素体含量的变化趋势。
机器学习模型的成功，标志着定量预测框架的建立。随机森林模型在预测δ-铁素体分数方面表现优异，其最佳预测结果的确定系数(R2)达到0.88，平均绝对误差(MAE)为1.90，优于神经网络模型。特征重要性分析进一步确认了模型的物理可解释性：与再结晶温度以下的重复加热相关的热描述符（如亚临界区累积时间）对预测贡献最大，其次是再结晶窗口内的热暴露描述符。这完全符合δ-铁素体“形成于凝固，存亡决定于后续重加热”的物理机制。基于此模型生成的预测δ-铁素体分布图，与实验测量图吻合良好，能够捕捉到沿沉积路径的系统性变化。
研究的结论明确而有力。这项研究证实，在激光DED 316L中，δ-铁素体的保留通过其与重加热诱导的再结晶之间的耦合，由局部热历史所主导。因此，δ-铁素体的空间分布反映了构件内的累积热暴露，并可作为微观结构演化的定量指标。具体而言：第一，δ-铁素体的稳定性由沉积过程中的重加热程度控制。经历重复高温暴露的区域发生再结晶，δ-铁素体含量减少；而重加热有限的区域则保留δ-铁素体。第二，热循环的持续时间和频率，包括重加热事件，定义了控制δ-铁素体溶解与保留的条件。第三，局部热历史包含了足够的信息，可以定量预测整个构件中的δ-铁素体分数。基于热描述符的预测能以平均2-3%的偏差重现测量的δ-铁素体分布。
这项研究的意义深远。它首次在激光DED 316L中，建立了一个将工艺条件、热历史和再结晶行为联系起来的、可预测的微观结构指示剂——δ-铁素体分数。这不仅深化了对DED过程“工艺-组织”关系的科学理解，更提供了一套实用的工具框架。如图15所示的框架示意图，使得在制造前评估刀具路径配置、激光功率和驻留时间对微观结构的影响成为可能。这意味着，未来可以通过主动设计热历程（优化工艺）来“定制”所需的微观结构均匀性，从而推动DED从一种“成形”技术向“控性”技术迈进，为制造高性能、高可靠性的金属部件奠定了坚实的基础。
