基于人工神经网络与数学建模的电弧增材制造AWS ER-2594超级双相不锈钢显微组织预测模型

《Results in Engineering》：Predictive model of the microstructure of the arc-based directed energy deposited AWS ER-2594 stainless steel using artificial neural networks and mathematical modelling

　　

在超级双相不锈钢(super duplex stainless steel, SDSS)中，显微组织变化(如铁素体/奥氏体相比例不当及金属间相析出)会显著影响材料服役性能。因此，在规划面向现场应用的增材制造(additive manufacturing, AM)构件时，预测工艺参数(如焊丝进给速度wire feed speed、行走速度travel speed、保护气体)对最终显微组织(即相分数phase fraction)的影响至关重要。本研究采用神经网络训练(Backpropagation、Patternet及Neuro-Fuzzy)与数学建模方法，预测电弧基定向能量沉积(direct energy deposition-arc, DED-Arc)制备ER-2594不锈钢的奥氏体(austenite, γ)含量。所开发模型R及R2值在0.97~0.99之间，证明了应用机器学习工具预测显微组织的潜力，而显微组织直接影响耐蚀性与力学性能。

论文解读——基于人工神经网络与数学建模的电弧增材制造AWS ER-2594超级双相不锈钢显微组织预测研究

研究背景与立项依据

超级双相不锈钢(SDSS)因优异的力学性能和耐蚀性广泛应用于油气、石化等领域，其理想组织为近等量的铁素体(ferrite, δ)与奥氏体(austenite, γ)(体积分数约50%)，相平衡破坏或析出σ、χ、Cr₂N等金属间相将损害性能。电弧基定向能量沉积(DED-Arc，类气体保护金属极弧焊GMAW)适合大尺寸构件制造，但热循环导致δ→γ转变受抑制，相平衡难控制。现有研究多关注单道焊缝或仅靠后验表征，缺乏直接将DED-Arc工艺参数与SDSS相平衡(phase balance)定量关联的预测模型。为此，研究人员以ER-2594 SDSS焊丝为对象，建立人工神经网络(artificial neural network, ANN)与考虑相邻焊道热累积及氮损失效应的数学解析模型，实现由工艺参数直接预测沉积件截面的奥氏体体积分数，发表于《Results in Engineering》。

主要关键技术方法

研究人员采用中心复合设计(CCD)安排31组DED-Arc单道及多层多道沉积实验，使用KUKA机器人配Fronius电源以MIG CMT MIX模式沉积ER-2594焊丝于SDSS基板，分别用Ar+2%N₂及纯Ar作保护气；金相试样经改良Behara试剂电解侵蚀，光学显微镜500×拍摄，MATLAB程序按Otsu法二值化区分δ(黑)与γ(白)并统计相分数；构建数据集以焊丝进给速度(WFS)、行走速度(TS)、弧长修正(ALC)、动态修正(DC)、电流、电压为输入，奥氏体分数为输出；分别训练反向传播(Backpropagation)前馈网络、模式识别网络(Patternet)及Sugeno型神经模糊(Neuro-Fuzzy)系统，Levenberg–Marquardt算法优化，早停防过拟合，并以集成学习(Ensemble Learning)加权融合三模型；在此基础上建立含层/焊道位置(m、n)及邻域相互作用(N_i)的对数型数学模型，引入四次方根及十六次方根衰减项描述氮损失饱和与侧向热均匀化效应，并通过残差分析与误差指标(MSE、MAE、R²)验证。

研究结果

3.1. Artificial Neural Network（人工神经网络）

分别建立三种ANN模型预测单道沉积奥氏体分数。反向传播网络单隐层(5~20神经元)，经9轮迭代收敛，R=0.98，预测误差2%，在单独模型中精度最高。Patternet模式识别网络将奥氏体含量离散为5个区间进行软分类，R=0.89，误差11.3%，虽分辨率降低但具一定鲁棒性。Neuro-Fuzzy(Sugeno型)系统输出为输入的线性组合，整体R=0.9404(训练R=0.9948)，误差6%，具可解释模糊规则。将三模型按性能加权(α_BP=0.45, α_Patternet=0.20, α_Neuro-Fuzzy=0.35)集成融合，得到R=0.99，精度与可靠性优于任一单独模型，证明多策略融合可提升预测稳定性。

3.2. Mathematical Modelling（数学建模）

奥氏体分数演变受氮(奥氏体稳定元素)损失(首层明显，随层数增加趋稳—呈四分之一次方根衰减)与邻道重热促进δ→γ转变(邻域加权系数分别为3、2、1)共同影响。沿横向(焊道位置m)与纵向(层位置n)分别拟合对数回归，高/低热输入下得到含ln(m)/⁴√n及ln(n)/¹⁶√m项的解析式，截距取两方向均值。引入邻域相互作用项N_i(邻道热影响区贡献)，有/无邻域作用两组实验数据回归得Δγ%=k·ln(N_i)+b，叠加至基础式。最终模型高/低热输入下MAE分别为0.0194与0.0211，MSE分别为4.8×10^-4与5.9×10^-4，R²分别为0.861与0.892，残差随机分布于零线附近，低热量输入拟合略优。模型可生成沉积截面奥氏体分布矩阵，并推广至更多层/道情形，但未考虑道间等待温度及层间保温时间的影响，极高构件顶部存轻微低估倾向。

将ANN单道预测值A与数学模型中氮损失衰减项做线性关联(m、b由高低热输入标定)，邻域重热项与热输入(HI=UI×热效率/TS)线性关联，最终导出统一通式%Y=f(A, B(焊道数), L(层数), N_i, HI)，可由任意工艺电参数及几何位置预测截面任意点奥氏体分数。

4. Conclusions（结论）

ANN模型能高效依据电源参数预测奥氏体含量并在训练域内良好泛化，其中反向传播网络拟合最佳；Patternet虽精度略低但对复杂组织特征具参考价值；解析模型理论与实验数据吻合良好，与机器学习工具耦合后可预测工件截面奥氏体含量；超出训练域的外推需谨慎并进一步验证。

总结意义

该研究首次将DED-Arc工艺参数直接与SDSS铁素体/奥氏体相平衡定量关联，结合数据驱动ANN与物理意义明确的数学建模(氮耗散+热累积邻域效应)，实现了沉积件截面奥氏体分数的预测，可减少试错实验，辅助工艺参数优化以获得目标相平衡，对提升电弧增材制造双相不锈钢构件显微组织一致性、可靠性及耐蚀/力学性能具工程指导价值。