頂刊綜述（IF=40）：深度學習賦能金屬增材制造

近日，愛荷華州立大學（Iowa State University）聯合賓夕法尼亞州立大學、普林斯頓大學、德州農工大學、香港理工大學等多所國際知名高校與研究機構，在國際頂級綜述期刊Progress in Materials Science（影響因子= 40.0）發表題為《A review of deep learning in metal additive manufacturing: impact on process, structure, and properties》的重要綜述論文。

論文鏈接：

https://doi.org/10.1016/j.pmatsci.2025.101587

該綜述系統總結了深度學習（Deep Learning, DL）在金屬增材制造（Additive Manufacturing, AM）中的最新研究進展，全面梳理了DL在零件設計與拓撲優化、原位過程監測與閉環控制、顯微組織與性能預測、缺陷識別與殘余應力分析等方面的應用。文章進一步闡述了判別式深度學習（Discriminative Deep Learning）、生成式深度學習（Generative Deep Learning）和強化學習（Reinforcement Learning）等新興算法在智能制造中的潛力，強調了多模態數據融合（圖像、熱信號、聲學與模擬數據）的重要性，并總結了開源代碼、訓練數據集和典型算法的適用場景。

圖1. 深度學習在增材制造中的一些重要應用

論文指出，深度學習通過自動特征提取與多層神經網絡架構，可揭示“工藝-組織-性能”之間的非線性復雜關系，大幅減少試驗成本，為高精度預測與實時控制提供了可能。特別是在金屬激光選區熔化（L-PBF）和定向能量沉積（DED）等關鍵工藝中，DL模型已實現熔池溫度場預測、缺陷自動識別及參數自適應優化。

該研究為人工智能驅動的金屬3D打印提供了系統的理論框架與前沿路線圖，標志著智能增材制造跨學科融合的重要一步。作者表示，希望該綜述能促進國際科研界在AI+制造領域的合作與發展，加速構建高效、精準、可解釋的智能制造體系。

圖9. 四維結構材料成分組成設計與優化

圖21. 顯微組織與性能的優化與預測

圖22. 工藝監測-組織-性能的分布分析與預測

表2. 常用深度學習算法代碼歸納

圖42. 選擇合適的深度學習算法步驟圖

本文來自“材料科學與工程”公眾號，感謝作者團隊支持。