华中科技大学：激光增材制造工艺参数的研究现状

有删减，如需全文，请购杂志或前往知网下载

2019家电模具高峰论坛征文

激光增材制造技术（laser additive manufacturing，LAM）是三维实体快速成形技术,相比于光固化成形技术（stereo lithography appearance，SLA）、熔融沉积快速成形技术（fused deposition modeling，FDM）、三维粉末粘结技术（three dimensional printingand gluing，3DP），其原材料选择范围更广，任何受热后能粘结的材料都可以作为原材料。在打印大尺寸制件时，机床中未熔融的粉末可以起到支撑作用，加工过程不需要支架，加工完成后，未熔融的粉末可以二次回收，降低了生产成本，因此激光增材制造技术是具有较好应用前景的增材制造技术之一。

以下介绍了激光增材制造技术的基本原理，阐述了影响制件性能的主要因素，并从试验研究、数值模拟及工艺优化3个方面介绍了激光增材制造工艺参数的研究方法与结果。

1

激光增材制造技术的基本原理

激光增材制造技术是用激光作为能量源将金属、高分子或其他粉末逐层熔合成复杂三维形状的3D打印工艺。根据加工条件与材料的不同，激光增材制造可分为选择性激光烧结（selective laser sintering，SLS）、选择性激光熔化（selective laser melting，SLM）、直接金属激光烧结（direct metal laser sintering，DMLS）、直接金属沉积（direct metal deposition，DMD）、激光粉末沉积（pulsed laser deposition，PLD）等。图1所示为铺粉式与送粉式激光增材制造技术的原理图。

（a）铺粉式

（b）送粉式

图1 激光增材制造技术原理

图2 影响制件性能的因素

研究表明，影响激光增材制造制件性能的因素有130余种。影响因素可以分为4类：材料属性、加工环境、装备误差、工艺参数，如图2所示。通常情况下，前三者在生产前已确定，因此工艺参数是决定制件性能的关键因素。

图3 调整工艺参数的3种技术

国内外学者主要通过试验研究、数值模拟、工艺优化的方法对调整工艺参数进行了大量的研究，如图3所示，以下将从上述3个方面阐述调整工艺参数的方法并介绍部分研究结果。

2

试验研究

（a）制件微观形貌

（b）力学性能测试

图4 不同工艺参数的微观形貌和力学性能测试

 K TAN 等对比不同激光功率、预热温度的聚醚醚酮制件的微观形貌，得到了最佳激光功率与预热温度参数，制件在不同激光功率下的微观形貌如图4（a）所示。

 P PEYRE 等使用聚醚酮酮材料进行全因子试验，根据不同激光功率、扫描速度、预热温度的制件表面质量制定了工艺窗口。

 K TAN 张建梅等以铺粉厚度、扫描速度、预热温度、激光功率4个工艺参数作为变量，采用树脂粉末进行正交试验，得到了各个工艺参数影响制件密度的权重和制备高密度制件的最佳工艺参数组合。

基于响应面试验， S SINGH 等研究不同激光功率、扫描间距、预热温度等5个工艺参数的尼龙制件的尺寸精度，得到了各个因素对制件收缩率的影响。

 张弘 采用响应面的设计方法，得到了不同激光功率、曝光时间、点距、扫描间距等因素对316L不锈钢制件致密度与力学性能（拉伸、扭转、弯曲）影响的回归模型，建立了制件性能与上述工艺参数的定量关系，制件力学性能测试如图4（b）所示。

 B ALMANGOUR 等研究碳化钛/316L不锈钢合金在不同扫描速度的相演变、致密度及力学性能，得到了具有不同晶粒结构、力学性能的制件。

 R ENNETI 等通过响应面方法研究不同扫描间距和扫描速度的钨制件的致密度，采用回归分析得到了扫描间距、扫描速度与制件致密度的定量模型。

上述试验主要研究了工艺参数与制件性能的关系，相关的增强或弱化机理尚不清楚，对成形过程中材料微观结构演化、温度场与应力场变化及制件性能的预测研究较少。以下将从不同尺度的数值模拟方法介绍激光增材制造工艺参数研究的相关工作。

3

数值模拟

图5 激光增材制造在不同尺度的数值模拟

图5所示为激光增材制造在不同尺度的数值模拟，宏观、介观及微观模拟的区分主要根据研究对象的空间尺度进行划分，对于增材制造工艺模拟过程中，不同的模拟方法可以对不同尺度的问题进行研究。宏观尺度（10-1m以上）主要针对成形件的温度场、应力应变场进行模拟；介观尺度（10-6~10-4m）可以用于研究颗粒的流动、熔池形貌等；而微观尺度（10-6m以下）主要对材料组织，如金相、高分子取向行为等进行模拟。

01

宏观数值模拟

图6 温度场验证的2种方法

温度场的数值模拟可以通过建立瞬态热分析模型进行求解，其准确性主要采用对加工过程中的温度进行监测或后续测量制件的熔合区域的方式进行验证。

 C BRUNA-ROSSO 等通过建立激光增材制造温度场模型，得到不同激光功率、扫描速度的熔池形貌，并采用高速摄像机拍摄动态图像进行验证，结果如图6（a）所示。

 F SHEN 等建立了尼龙12/碳纳米管温度场的瞬态模型，计算得到了不同能量密度的熔池长度、熔池深度与熔池最高温度，如图6（b）所示。

 D RIEDLBAUER 等通过测量制件在不同激光功率、扫描速度的熔池宽度并与仿真结果比对，验证温度场数理模型的准确性。

 S MIHIR 等建立了铸造铝合金激光增材制造三维温度场传热模型，计算了不同激光功率、扫描速度的熔池长度与深度，并与试验结果进行了对比验证。

激光增材制造加工过程中局部温度梯度大，导致制件内部产生热应力与残余应力，制件内应力的释放会造成翘曲、开裂等缺陷，影响制件的服役性能。因此对应力应变场进行数值模拟，分析工艺参数对内应力的影响尤为重要。目前实时获得制造过程中内应力和变形数据难度较大，现阶段常采用加工后测量制件的翘曲变形量的方式验证计算模型的准确性。

应力场主要通过与温度场直接或间接的耦合方式进行求解。

 吴江艳 等利用广义Maxwell模型描述丙烯腈-丁二烯-苯乙烯共聚物粘弹性变形行为，采用温度场-应力场直接耦合分析方法，求解得到了不同扫描方式下的制件翘曲变形量，为优选工艺参数提供了依据。

图7 数值模拟的应变与试验测得三维点云的应变对比

 张钰 采用温度场-应力场间接耦合的方式，利用线弹性模型表征聚醚醚酮制件在不同预热温度、打印速度的变形量，并通过三维点云测量装置，将数值模拟中的变形量与实际测量值进行对比，如图7所示。

 M MASOOMI 等采用在基板中嵌入热电偶的方式，采集不同激光功率、扫描速度的不锈钢材料加工过程中单点热循环曲线，与模拟结果进行了验证。

02

介观与微观数值模拟

图8 试验与数值模拟熔池形貌对比

注：a.铺粉厚度20 μm；b.铺粉厚度60 μm；c.铺粉厚度80 μm；d.铺粉厚度100 μm；e.氩气保护；f.快速扫描4 000 mm/s

 戴冬华 等采用有限体积法模拟了不同激光功率的W/Cu合金温度场、流场和孔隙的生长行为，并与扫描电子显微镜拍摄的制件微观形貌进行了对比验证。

 S SHRESTHA 等采用流体动力学方法，研究了单层单道和双层单道轨迹不同扫描速度的镍基高温合金的温度场分布、熔池形貌、流场及孔隙分布，得到制件高致密度的扫描速度。

 C PANWISAWAS 等通过流体动力学方法分析不同铺粉厚度、扫描速度的Ti64合金单轨形态、孔隙形成和熔体流动行为，并与试验进行了对比，不同铺粉厚度、保护气氛种类、扫描速度的试验与数值模拟的熔池形貌如图8所示。

图9 不同能量密度的试验与模拟微观组织形貌

 Y M ARISOY 等基于相位场方法，模拟了不同能量密度的制件凝固过程中的成核现象和柱状枝晶形成过程，并与试验进行了对比，如图9所示。

 N RAGHAVAN 等模拟不同激光半径、激光功率、预热温度的镍铬铁合金制件的温度梯度和液固界面速度，计算得到了制件等轴晶的体积分布，并与电子背散射衍射拍摄的制件微观形貌对比进行了试验验证。

上述研究表明，数值模拟方法能有效预测制造过程中的材料形态演变及制件翘曲变形，同时可以揭示不同工艺因素对制件性能的影响机理，但受到模拟尺度与计算方法的限制，制件表面质量、服役行为等问题难以通过数值模拟进行求解。得益于人工智能技术的发展，通过优化算法对工艺参数进行调整成为目前研究热点之一。国内外许多学者将试验或数值模拟得到的结果作为数据样本，采用工艺优化算法训练模型，从而对不同工艺参数的制件性能指标进行预测与优化。

4

工艺优化

 刘硕 等针对不同预热温度、扫描速度等5个工艺参数的27组聚苯乙烯制件，取其中24组数据作为训练集、3组数据作为测试集，采用广义回归神经网络进行建模，预测了支撑厚度及预热温度对制件收缩率的影响，测试结果表明预测误差率小于6%。

 史玉升 等采用制件收缩率作为评判指标，对不同工艺参数得到的高分子材料标准件作为数据集进行训练，采用专家系统与神经网络相结合的方法自动优化工艺参数，结果表明制件的绝对精度误差小于0.23mm。

 A DASTJERDI AHMADI 等利用有限元软件生成“工艺参数-翘曲量”训练集，通过训练神经网络模型得到铺粉厚度、扫描间距等工艺参数与制件翘曲量的关系，得到了尼龙12粉末在恒定能量密度的最小翘曲值的工艺参数组合，并将优化后的结果与模拟结果对比验证了模型的准确性。

基于模糊推理的方法， D RAJAMANI 等建立了专家系统评价高密度聚苯乙烯表面磨损量与铺粉厚度、激光功率、扫描速度等参数的关系，并进行了试验验证。

（a）自适应神经网络结构

（b）灰色关联的工艺参数灰度等值图

图10 不同工艺优化方法

 H SOHRABPOOR 等以不同预热温度、激光功率、扫描间隔、扫描速度下尼龙制件的伸长率和极限拉伸强度作为输出特性，分别采用自适应神经网络与灰色关联优化方法进行预测，并对2种优化方法进行了对比，如图10所示。

 G TAPIA 等采用不同激光功率、扫描速度的316L不锈钢的熔池深度作为数据样本，利用基于高斯过程的统计模型方法预测了熔池深度并建立了工艺参数窗口。

▍

▍原文来源：《模具工业》2019年第9期