论文题目：Progress and opportunities for AI in additively manufactured NiTi-based shape memory alloys

期刊：Advanced Powder Materials

DOI：https://doi.org/10.1016/j.apmate.2026.100406

微信链接：https://mp.weixin.qq.com/s/yg7kGXnCcaSnqArNmDYBzQ

1.文章摘要

增材制造镍钛（NiTi）基形状记忆合金（SMA）兼具独特的功能特性与设计灵活性，在航空航天和生物医学领域具备变革性的应用潜力。然而，增材制造过程涉及的多物理场复杂性，常常导致不同批次或设备所制备合金的微观结构、相变行为及热力学性能出现波动，这为其可靠应用带来挑战。本文系统综述了人工智能（AI）技术在应对上述挑战中的作用。首先，探讨了机器学习在优化工艺参数、预测相变温度以及迁移缺陷控制方面的应用。接着，阐述了AI驱动的合金设计策略，重点关注如何借助迁移学习，利用传统加工数据加速开发具有定制化相变温度与功能特性的新型NiTi基SMA成分。文章还分析了AI支持的多尺度结构优化方法，包括利用计算机视觉与生成模型来设计具有可编程力学响应、适应特定需求的复杂点阵结构。最后，总结了该领域的发展机遇，如多源数据融合、集成CALPHAD热力学数据库以及大语言模型等技术的引入，有望彻底改变增材制造NiTi形状记忆合金的研发模式。这些AI增强的方法既能精准控制增材制造NiTi合金的“工艺-结构-性能”关系，也有助于推动相关产品从实验室走向规模化应用。

2.研究背景

NiTi合金凭借卓越的形状记忆效应、超弹性和生物相容性，已成为航空航天、机器人及生物医学等领域的关键智能材料。但其高强度和显著的加工硬化特征使得传统制造方法难以生产复杂或定制化构件。增材制造为复杂几何形状的近净成形提供了可能，但同时也引入了非平衡凝固、Ni元素由于高蒸汽压导致的烧损、以及复杂的循环热历史，这些因素严重影响了合金的相变温度和功能可靠性。传统的经验或物理模型难以完全捕捉这些高维非线性关系，迫切需要引入AI技术来实现数据驱动的精准研发。

3.创新点

（1）全范式集成视角：首次将AI定义为连接合金成分设计、工艺优化、组织调控、结构架构设计及功能性能定制的统一框架，而非单一的优化工具。

（2）高效数据迁移策略：系统论述了利用迁移学习（Transfer Learning）将传统加工领域（源域）积累的海量数据知识迁移至增材制造（目标域），有效解决了AM领域实验数据稀缺的难题。

（3）前瞻性大模型融合：率先探讨了大语言模型（LLM）、检索增强生成（RAG）及知识图谱在NiTi合金研发中的应用，展示了其在专家级决策支持和复杂工程约束处理方面的巨大潜力。

4. 文章概述

（1）增材制造NiTi基合金的微结构特征

增材制造镍钛基形状记忆合金的研发涵盖了从工艺输入到最终功能响应的多层次数据维度，主要由工艺参数、微观组织描述符及性能表现数据三大核心领域构成。首先，激光功率、扫描策略及粉末特性等工艺变量定义了成形边界，由于极快的熔化与非平衡凝固，产生了过饱和点缺陷、特定织构及气孔裂纹等复杂特征，并伴随复杂的熔池演变（如马兰戈尼对流、元素蒸发与飞溅）；其次，位错密度、物相分数及纳米析出相等组织特征作为中间变量，直接决定了宏观的相变行为与力学响应；最后，相变温度、超弹性及疲劳寿命等关键性能指标构成了机器学习预测与逆向设计的输出目标。通过整合这些跨尺度的层次化数据集，能够建立起“工艺-组织-性能-功能”的关联框架，从而实现复杂功能构件的精准定制与优化。

图1 增材制造镍钛基形状记忆合金的微观结构特征：(a) 原子尺度的点缺陷；(b) 微米尺度的微观结构特征，包括团簇、位错、晶界和析出相。(c) 宏观尺度的晶粒分布和形貌特征。(d) 宏观尺度的缺陷，例如孔隙和球化。(e) 热循环作用下镍钛合金的多层次微观结构特征和演变机制。(f) 激光增材制造过程中熔池动态演化机制示意图。

（2）物理模型驱动的增材制造NiTi合金工艺正向优化

针对镍钛合金的应用需求，目前最广泛使用的两种增材制造技术是激光粉末床熔化（LPBF）和定向能量沉积（DED）。前者适用于高精度零件，后者则在大型构件修复与几何柔性方面更具优势。在工艺优化方面，传统的正交实验法广泛应用于探索激光功率、扫描速度、扫描间距等参数对裂纹和孔隙率的影响，进而大致划定理想的工艺窗口。从冶金学角度看，未熔合、球化、匙孔及裂纹等缺陷的形成机制可归纳为与熔池几何形状（如长宽比、深宽比）相关的准则。通过结合有限元分析、解析模型（如E-T或G-S模型）以及贝叶斯统计校准技术，研究者能够构建出更为精确的工艺预测图谱，在减少实验量的同时，实现对不同成分镍钛合金打印质量的科学预判与控制。

图2 NiTi合金增材制造工艺优化演变过程：从正交实验到经验模型优化再到数据驱动的分类。（a–c）通过正交实验优化工艺参数。（d）冶金分析模型将工艺参数转化为熔池几何特征，并生成缺陷形成判据。（e–f）使用分析模型预测熔池几何特征，并构建NiTi合金的工艺图。（g–h）基于单道实验数据对缺陷预测模型进行校准和验证。（i–j）基于实验数据和AI算法构建通用可打印性概率图。

（3）基于AI的增材制造NiTi合金逆向工艺优化

在工艺优化中，应对多目标间的权衡（如强度与韧性、相变温度与热滞等）是核心挑战。通过结合BP神经网络、高斯回归模型与NSGA-II等遗传算法，构建了多目标预测与逆向设计框架。例如，通过小样本实验成功实现了在提高硬度的同时降低表面粗糙度，或在保证成形质量的前提下大幅降低能耗并提升粉末利用率。更重要的是，基于多源数据融合的技术能够整合不同设备、工艺和粉末特性的特征变量，不仅能精准预测力学与功能性能，还能生成覆盖全流程的优化图谱。这使得工程师能够根据具体的应用场景（如高阻尼需求对应高热滞、快速响应需求对应低热滞），逆向映射出最佳的工艺参数窗口，实现从功能需求到制造工艺的精准定制。

图3 基于机器学习的逆向设计策略。（a–b）利用专有小样本实验数据，通过机器学习进行工艺协同优化。（c）多目标优化框架；（d）粉末床熔融NiTi合金的性能优化结果；（e）用于LPBF-NiTi合金多目标工艺逆向优化的平行极坐标图，以满足特定的性能要求。

（4）基于人工智能的增材制造镍钛基形状记忆合金设计

增材制造镍钛基合金在合金化过程中面临严重的裂纹缺陷及组织调控难题，且增材领域高质量标注数据的匮乏制约了AI设计的效率。为突破这一瓶颈，研究者采用了迁移学习与多尺度仿真相结合的策略：一方面，通过迁移学习将传统加工领域积累的大量“成分-性能”知识迁移至增材制造领域，仅需少量实验数据微调即可实现高精度的相变温度预测（如R²达0.95）；另一方面，集成CALPHAD热力学计算与冶金模型生成合成数据，预先筛选具有良好成形性的成分。这种整合了数据挖掘、多模态融合及仿真增强的AI驱动框架，不仅有效解决了数据稀缺问题，还能针对相变温度、低热滞及超弹性等多功能目标进行协同优化，成功实现了无裂纹、低热滞的新型镍钛基合金的快速开发。

图4 基于人工智能的增材制造镍钛基形状记忆合金设计策略。案例1：基于数据融合和迁移学习的增材制造高温镍钛铪合金设计。案例2：通过集成热力学计算数据和实验性能数据的混合分层筛选方法，设计用于激光粉末床熔融工艺的窄滞后镍钛铜合金。

（5）知识图谱和LLM融合的增材制造NiTi合金领域模型

大语言模型（LLMs）正引领材料科学研发范式的深刻变革，通过Transformer架构实现从传统的描述符依赖向语言驱动范式的转变。在增材制造镍钛合金领域，LLMs结合知识图谱与检索增强生成（RAG）技术，能够从海量文献中精准提取“成分-工艺-组织-性能”三元组，构建起结构化的知识体系。通过对DeepSeek-R1等模型进行特定任务微调，并引入物理约束与多智能体协作，可实现针对复杂工程约束（如高致密度与高强度并存）的自动化推理，能够提供精确的化学成分配比及工艺窗口建议。实施案例表明，这种RAG增强系统相比通用大模型，不仅显著降低了专业领域的“幻觉”现象（减少34.7%），还大幅提升了工艺建议的定量准确度（提高26.0%），为增材制造NiTi合金的“功能驱动”自主研发提供了强有力的决策支持。

图5 大型模型在增材制造镍钛合金领域的潜在应用。包括应用现状和应用需求、知识图谱构建和演示，以及知识图谱RAG流程的实现和比较。

5. 启示

（1）物理信息与AI的结合是必然趋势：纯数据驱动模型在小样本条件下易过拟合，将CALPHAD等热力学先验知识嵌入AI工作流，能确保预测结果符合物理规律，提高模型的通用性。

（2）知识迁移是加速研发的关键：不必从零开始积累AM数据，通过迁移学习挖掘传统冶金数据的潜在价值，是低成本、高效率开发新材料的捷径。

（3）AI正在推动研究范式转变：大语言模型结合领域知识图谱，能够克服标注样本缺乏的问题，通过逻辑推理为工程师提供具体的工艺参数建议，这将极大地改变未来金属3D打印的科研范式。

引用信息：Zhicheng Li, Xingsong Jiang, Lijun Zhang, Progress and opportunities for AI in additively manufactured NiTi-based shape memory alloys, Adv. Powder Mater. 5 (2026) 100406. https://doi.org/10.1016/j.apmate.2026.100406

扫二维码 查看全文

原文链接：https://www.sciencedirect.com/science/article/pii/S2772834X2600014X