数据驱动的增材制造知识可迁移性分析：以粉末床熔融与定向能量沉积为例

近年来，增材制造（AM）中的数据驱动研究取得了显著成功，由此涌现了大量科学文献。这些工作中的知识由 AM 与人工智能（AI）语境构成，尚未以集成方式被挖掘与形式化。此外，目前不存在支持将数据驱动知识从一种语境迁移至另一种语境的工具或指南。因此，使用特定 AI 技术的数据驱动解决方案仅针对特定 AM 工艺技术被开发与验证。利用各类 AM 技术间的内在相似性，并借助 AI（如迁移学习）将现有解决方案从一种工艺或问题适配至另一种，存在潜在可能。我们提出一个 AM 中的三步知识可迁移性分析框架，以支持数据驱动的 AM 知识迁移。作为可迁移性分析的前提，AM 知识被特征化为已识别的知识组件。该框架由迁移前、迁移和迁移后步骤组成，以完成知识迁移。我们以旗舰金属 AM 工艺间案例研究进行说明：激光粉末床熔融（LPBF）作为知识源，动机在于其相较作为目标工艺的定向能量沉积（DED）在 AI 应用上相对成熟，而 DED 作为较少被探索的目标工艺驱动了知识迁移需求。我们展示了在数据驱动解决方案的不同层面（包括数据表示、模型架构和模型参数）上的成功迁移。未来该 AM 知识迁移流程可实现自动化，以促成高效的跨语境或跨工艺知识交换。