图一 基于机器学习的晶粒结构预测方法原理
图二 单层和多层下晶粒结构特征的测试结果
金属增材制造工艺下成形材料微观组织特征对其力学性能有着重要的影响。然而，目前仍然缺乏一种高效预测材料微观组织的计算方法。为此，针对定向能量沉积（Directed energy deposition ，DED）增材制造In718合金材料，我们率先提出了一种基于深度神经网络模型和有限体积法的工艺过程-微观组织高效预测框架。为解决实验数据样本少的问题，我们采用经实验结果验证的三维元胞自动机有限体积法对沉积材料熔化凝固和微观组织演化过程进行模拟，以获得多种工艺参数下的温度历史和微观组织数据。同时，依据材料凝固动力学物理机制，我们提出了相应的特征数据提取方法以获得训练样本集。在该框架中，我们采用有限体积法预测的局部温度梯度和冷却速率特征数据作为输入，预测了单层和多层DED成形材料的局部平均晶粒尺寸和平均晶粒形态比；所预测结果与数值模拟结果吻合较好，表明了所提出框架的有效性。该工作为进一步建立工艺参数与微观组织关系的高效机器学习模型奠定了基础。