金属3D打印部件内部的气孔缺陷，一直是制约其在航空航天、汽车等领域大规模应用的可靠性瓶颈。韩国浦项科技大学（POSTECH）与韩国材料科学研究院（KIMS）的研究团队联合开发了一种基于人工智能的分析框架，能够在数秒内预测含缺陷金属3D打印部件的机械强度，且预测精度较现有方法提升4倍以上。

该研究由POSTECH钢铁与生态材料技术研究生院及材料科学与工程系的金亨燮教授（Kim Hyeong-seop）领导，与KIMS高级研究员朴正敏（Park Jung-min）合作完成。相关成果发表于国际材料学期刊《Acta Materialia》。

问题：LPBF工艺的“气泡”隐患

激光粉末床熔融（LPBF）是金属增材制造的主流技术之一。然而，逐层熔化的过程极易产生微小的内部气孔——这些类似气泡的缺陷在航空发动机叶片或汽车结构件等高应力应用场景下，可能成为疲劳裂纹的起源。传统上，要量化这些缺陷对部件强度的影响，需要进行大量破坏性测试，成本高昂且周期漫长。

AI方案：不消除缺陷，而是“学会”与缺陷共存

研究团队的思路并非试图消除所有缺陷，而是训练AI模型掌握缺陷与强度之间的关系。模型输入了一个庞大的数据集，涵盖激光功率、扫描速度等制造参数，以及内部微观组织、气孔尺寸与空间分布等信息。在此基础上，团队应用了一种“数据选择性学习”技术，筛选出对强度影响最大的变量，从而显著提升预测准确性。

可解释性：输出预测结果的同时生成数学方程

该框架的一大亮点在于其“可解释性”。与传统的“黑箱”AI模型不同，这套框架能够在给出强度预测值的同时，输出可供人类理解的数学方程。验证实验采用航空航天与汽车行业广泛使用的铝硅镁（Al-Si-Mg）合金，结果显示模型预测的平均误差为9.51兆帕（MPa）。研究团队称，这比现有方法的精度提高了四倍以上。

应用前景：从“试错”到“预知”

研究人员表示，该框架有望进一步扩展为“缺陷感知设计图”，使工程师能够提前预判不同制造条件下部件性能的变化规律。金亨燮教授指出：“这项技术将提高金属3D打印部件的可靠性，大大加速其在航空航天和汽车等领域的商业化进程。”

业内专家评论，金属增材制造从原型走向批量生产的关键障碍之一，正是缺乏快速、低成本的质量验证手段。POSTECH与KIMS的这项研究，通过AI将缺陷的负面影响从“不可控变量”转化为“可量化输入”，为金属打印零件的认证和工艺优化提供了一条新的技术路径。