增材制造的疲劳挑战：基于仿真的方法
增材制造：支持行业制造更出色的产品
增材制造，也称为 3D 打印，允许仅使用所需的材料逐层生产复杂的组件。这是一种与减材制造相反的方法，在减材制造中，不需要的材料要从较大的材料卷中切除。实践证明，增材制造更具优势，因为它可以直接实现 3D 打印，因此设计 3D 结构后设计自由度大、材料浪费少且交货时间短。它适用于使用一系列工艺的金属和聚合物。在本文中，我们将重点介绍如何解决金属合金增材制造的疲劳挑战。
金属增材制造流程可能会导致打印结构中出现局部缺陷，例如不均匀的表面粗糙度、孔隙率和微观结构。这些缺陷的成型控制和原因尚不清楚，具体取决于流程的类型。此外，由于目前尚无 CAE 工具通过预测复杂动态性能质量的功能来评估增材制造流程诱发的此类局部缺陷的影响，因此工业、航空航天和机械制造行业必须常常依赖昂贵的原型测试，但是测试结果经常要在产品开发流程的后期才能出来。
Siemens Digital Industries Software 全力打造基于仿真的解决方案，提高用户对材料结构的理解，以及预测和优化打印产品的性能。自从增材制造从概念设计研究转向功能组件的打印以来，性能（耐用性、结构完整性等）就成为重中之重，因此这个功能的呼吁愈发迫切。这篇博文着眼于耐久性能属性。您还可以参考我们的汽车耐久性网站。
增材制造的疲劳挑战
增材制造流程的多个因素或多或少都会诱发疲劳性能。与传统制造流程相比，增材制造流程的掌控力度较小，造成工艺诱发疲劳影响缺陷。这些疲劳影响缺陷很大程度上取决于几何体结构，因此表现出局部特性。
所有这些都导致增材制造材料的疲劳性能预测变得相当棘手。图 1 展示了增材制造疲劳挑战。疲劳性能的主要影响因素是微观结构、孔隙率、表面粗糙度和残余应力。任何印刷品的疲劳寿命总是多种局部因素共同影响的结果。目前我们人力尚无法在打印组件中分离这些因素，也不可能用一个数学模型来描述这些因素的相互作用和分离的影响 [1]。
如上所述，增材制造能够生产复杂的几何形状，通常是由拓扑优化的形状产生的，如图 1 中描述的组件所示。3D 打印组件的质量将取决于多个增材制造流程和设计相关方面。
3D 打印组件的表面粗糙度
例如，构建方向将影响打印几何体不同表面的方向。由于 3D 打印组件的表面粗糙度还取决于悬垂角度，即构建板平面 (x-y) 与悬垂表面在 x-z 或 y-z 平面中切线之间的角度，因此构建托盘中组件的不同方向将导致表面粗糙度的分布不同。人们可能希望优化构建空间的使用，在构建过程中堆叠同一组件不同方向的多个实例，以便一次成型尽可能多的组件。
以不同方式设定多个组件的方向会导致组件的表面粗糙度、孔隙率分布和局部微观结构分布不同。图 2 显示了同一组件的表面粗糙度。
安全关键型承重组件的 3D 打印
由于表面粗糙度是疲劳的主要影响因素，因此不同的组件将表现出不同的疲劳行为，即使它们具有相同的几何形状且使用相同的机器和相同的材料生产。
此外，增材制造流程中零件中的残余应力以及制造流程后应用的不同热处理也会影响组件的疲劳性能。
要实现安全关键型承重部件的 3D 打印，就必须能够预测增材制造诱发局部缺陷对所生产部件疲劳寿命的影响。要实现这一目标，预测局部缺陷只是其中一个环节。我们还必须想办法直接评估增材制造诱发局部缺陷对 3D 打印材料疲劳行为的影响。此外，还需要一种耐久性求解器，以有效的方式处理局部疲劳影响缺陷。下文将详细介绍这些方面。
使用机器学习准确预测增材制造结构的疲劳性能
3D 打印材料的疲劳性能取决于多个方面，如制造工艺和所用材料、几何形状和载荷条件、微观结构、残余应力、表面粗糙度、孔隙率和后处理（表面和体积处理）。在表征材料的疲劳性能时，通常样品几何形状、制造流程和载荷相关方面都是固定的。然后评估其余参数的影响。然而，若是增材制造，其中许多条件彼此紧密相连。例如，构建方向绝对会影响样品的表面粗糙度和微观结构（因为逐层沉积将有利于金属颗粒的某些生长路径）。
如上一段所述，在复杂的 3D 打印组件中，这些因素存在多种组合方式，我们应该掌握所有遇到的疲劳影响因素组合的数据，以便能够准确评估疲劳性能。这意味着，要表征 3D 打印材料的疲劳性能，我们必然要开展大量的测试活动，以涵盖尽可能多的因素组合。这也给我们带来了巨大的挑战，那就是如何推导出可评估未经测试组合因素的适用模型。
评估疲劳性能的新方法
Siemens Digital Industries Software (DISW) 开发了一种新方法，利用机器学习的强大功能来评估 3D 打印组件的疲劳性能 [2][3]。
回到图 2 中组件的示例，为了能够准确预测该 3D 打印部件的疲劳性能，我们需要一个材料模型来预测增材制造诱发局部缺陷对材料疲劳性能的影响。目前已开发出一种基于机器学习的材料模型，该模型依赖于一组有限的训练数据。该机器学习模型可以拟合 SN 曲线（沃勒曲线）的多属性空间，该曲线是针对一组不同条件（构建方向、不同的表面处理、热处理等）的实验结果确定的，并且可以预测未经测试的条件组合的 SN 曲线。机器学习材料模型已作为增材制造增强模块集成到我们的开放式耐久性求解器环境中，以考虑增材制造诱发局部疲劳影响因素的影响 [4]。
训练机器学习算法所需的实验数据是使用参考来源 [2] 中描述的实验设置和测试程序生成的。这包括 3D Systems 公司根据一组固定的处理参数打印的试样，其疲劳测试由鲁汶大学的制造流程和系统 (MAPS) 部门使用 Instron ElectroPuls E10000 完成的，同时考虑各种表面和热处理 [5]。考虑到对增材制造组件进行疲劳试验的成本，测试所有可能的参数组合是不现实的。
高斯过程回归方法
此外，试样级测试可能无法复制所有可能的情况，例如在薄壁部分或内腔附近可能遇到的情况。因此，我们需要一种方法，能够根据最低限度的测试结果推断出多种缺陷的疲劳特性。为此，我们采用了机器学习技术，它使用所谓的高斯过程回归法。与传统的内插法/外推法相比，这种方法的优点在于，它对可得出近似测试数据的数学模型做出了最低限度的假设。考虑到不同参数之间的复杂相互作用和校准数据的有限性，这一点非常重要。
这种机器学习方法实施后，扩展了 Simcenter 3D Specialist Durability 中现有的耐久性求解器。影响疲劳属性的参数可以按区域或元素定义。此外，这些参数可由用户通过文件或自动工具输入，自动工具会为每个元素分配疲劳相关参数，如图 2 所示。
工作流
工作流程示意图见图 3。它有效地将增材制造诱发疲劳影响因素与它们对 3D 打印材料局部疲劳特性的影响联系在一起，实现增材制造增强型耐久性解决方案。左侧描述了机器学习方法，该方法将预测的局部缺陷作为输入参数，并将估计的相应局部 SN 曲线返回到耐久性求解器。右侧显示的是 CAD 模型 (1) 和自动特征提取工具 (2)，前者是 FE 分析所需的模型（结果未显示），后者将预测增材制造诱发局部疲劳影响因素作为机器学习模型 (3) 的输入参数。随后可以执行增材制造增强型耐久性仿真。插图不包含用户定义的载荷。
例如，上述工作流程支持用户评估构建托盘中组件的方向对疲劳性能的影响。在上述情况下，同一部件在构建盘中有多个不同方向的实例，使用图 3 所示的方法，用户可以预测所选部件构建方向的局部表面粗糙度。模型中的每个单元都有表面粗糙度，它与其他相关参数（例如所选材料的热处理）一起传递给机器学习材料模型。
根据局部疲劳影响因素，机器学习材料模型将用于推导与 CAD 几何模型相对应的结构网格各表面元素的局部 SN 曲线。为了计算整个打印组件的耐久性性能，之后则使用增材制造增强型 Simcenter 3D Specialist Durability 解决方案进行耐久性计算。它根据局部条件对整个结构进行损伤累积，包括两个非常重要的新功能：有效处理局部材料属性，以及在模型上映射局部 SN 曲线。这个虚拟方法通过使用机器学习和有限的测试集，避免进行数百次、甚至数千次的测试，形成一个可以对未测试的条件进行插值/推断的模型。
结果和展望
应用机器学习来更准确地模拟增材制造组件的疲劳寿命性能有几个好处。首先，不需要推断不同缺陷的组合如何影响疲劳寿命。此外，该方法具有高度灵活性，可考虑局部现象，所需的测试也十分有限，能够准确推断，并能以非耦合的方式研究不同因素的影响（这通常无法根据实验数据实现）。
图 4 显示了验证模型的盲测结果。机器学习算法已使用实验获得的 SN 曲线子集进行训练，这些曲线对应于不同的因素组合。训练集中保留了一些组合，更具体地说，是经过机加工和热等静压处理 (HIP) 的 90 度取向样品，以及经过机加工的 50 度取向完全退火 (FA) 和 HIP 处理的样品。在图 4 中，红色实线表示上述未见情况的预测 SN 曲线，也给出了它们的相应置信区间（虚线）。然后将实际测试结果绘制在预测结果之上，在图片中用蓝色圆圈显示。这表明预测结果与实际测量结果之间具有良好的相关性。
Simcenter 3D Specialist Durability 中的增材制造增强型耐久性仿真结合了实验数据和基于物理建模的优点。也可以完全依赖实验和/或仿真数据。运用开放式求解器用技术（Simcenter 3D Specialist 耐久性求解器）来计算结构的耐久性性能，并考虑关键的疲劳影响因素：表面粗糙度（如本博客文章所示）和其他局部现象（富含空隙的区域、残余应力等）。目前正在进行的一项工作是根据根特大学开发的方法[6]，通过多尺度建模预测疲劳性能/SN 曲线。
这篇博文重点介绍了应对增材制造零件疲劳挑战的新解决方案。从更广泛的角度来看，Siemens Digital Industries Software 正在为增材制造材料开发不同性能属性（强度、刚度、疲劳寿命等）的预测仿真功能，旨在为增材制造引入预测性 CAE 工具链。您可以通过此链接找到更多信息。在研发项目 FATAM 的背景下，开发了新的模拟方法来预测增材制造材料的疲劳性能。您可以在我们之前的博客文章中阅读有关 FATAM 的更多信息。
详情请参见此白皮书
如果您想了解更多信息，建议您阅读此白皮书“使用 Simcenter 3D 预测增材制造的疲劳寿命”。它报告了我们在使用机器学习预测局部疲劳特性，为 Simcenter 3D 中的耐久性计算提供依据方面迈出的重要一步。它还提出了一种新颖的策略，支持制造商更快速、更经济地打印耐用零件。
致谢
作者衷心感谢 IBO 项目 FATAM（“增材制造组件的疲劳 - 将增材制造工艺条件与金属增材制造零件的长期动态性能相关联”，2017-2020 年），该项目配合 MacroModelMat (M3) 研究计划，由西门子（Siemens Digital Industries Software，比利时）统筹协调，由 SIM（佛兰德斯 Strategic Initiative Materials，参见此处）和 VLAIO（Flanders Innovation & Entrepreneurship 佛兰德政府机构，参见 此处）共同出资。
参考文献
[1] H. Erdelyi, “ML-enhanced Fatigue Analysis of AM Components”, Formnext 2019, Frankfurt, Germany, November 19-22, 2019.
[2] N. Lammens, H. Erdelyi, T. Craeghs, B. Van Hooreweder, W. Van Paepegem, “Effect of process induced artifacts on the fatigue life estimation of additive manufactured metal components”, ESIAM19, Trondheim, Norway, September 9-11, 2019.
[3] M. Schultz, N. Lammens, M. Hack, H. Erdelyi, “Machine Learning Enhanced Durability Analysis of Additively Manufactured Lightweight Components”, NAFEMS Nordic Seminar, CAE in support of Sustainability and Durability, Billund, Denmark, Nov. 25-26, 2019.
[4] N. Lammens, M. Schulz, M. Hack, H. Erdelyi, “Local Fatigue Parameter Prediction of Additively Manufactured Components using Machine Learning”, Fatigue 2020, Downing College, Cambridge, UK, June 29 – July 1, 2020.
[5] C. Elangeswaran, A. Cutolo, G.K.Muralidharan, C. de Formanoir, F. Berto, K. Vanmeensel, B. Van Hooreweder, “Effect of post-treatments on the fatigue behaviour of 316L stainless steel manufactured by laser powder bed fusion”, International Journal of Fatigue, Vol. 123, pp. 31-39, 2019.
[6] T.D.Dinh, J. Vanwalleghem, H. Xiang, H. Erdelyi, T. Craeghs, W. Van Paepegem, “A unified approach to model the effect of porosity and high surface roughness on the fatigue properties of additively manufactured Ti6-Al4-V alloys”, Additive Manufacturing, Vol. 33, 101139, May 2020.
