Анализ упруго-пластических остаточных напряжений в пористых материалах, полученных методом SLS, с помощью 3D многослойного фазового поля

1. Введение

Аддитивные технологии (АМ), в частности методы сплавления в порошковом слое (PBF), такие как селективное лазерное спекание (SLS), произвели революцию в производстве, позволяя создавать сложные геометрии с контролируемой пористостью. Однако остаточные напряжения и пластические деформации, возникающие на уровне порошка в процессе, остаются серьёзной проблемой, существенно влияя на механическую целостность и точность размеров конечных изделий. Данная работа восполняет этот пробел, разрабатывая схему многослойного мультифизического моделирования с разрешением на уровне порошка, которая интегрирует неизотермическое моделирование фазового поля с термо-упруго-пластическим методом конечных элементов (МКЭ) для прогнозирования мезоскопической эволюции напряжений и деформаций в процессе SLS.

2. Методология

Предлагаемая структура представляет собой гибридный вычислительный подход, предназначенный для описания сложной физики SLS на уровне микроструктуры.

2.1. 3D Многослойная модель фазового поля

Модель фазового поля имитирует консолидацию порошка и эволюцию микроструктуры. Параметр порядка $\phi$ различает твёрдую фазу ($\phi=1$) и фазу порошка/пустоты ($\phi=0$). Эволюция описывается уравнением Аллена-Кана, связанным с теплопереносом:

$\frac{\partial \phi}{\partial t} = -L \frac{\delta F}{\delta \phi}$

где $L$ — кинетический коэффициент, а $F$ — функционал полной свободной энергии, включающий градиентную энергию и потенциал с двумя минимумами. Модель учитывает частичное плавление и образование перешейков между частицами.

2.2. Термо-упруго-пластическая МКЭ-схема

Тепловая история из симуляции фазового поля служит входными данными для механического анализа. Конститутивная модель учитывает зависящие от температуры и фазы свойства материала. Полная деформация $\boldsymbol{\varepsilon}$ раскладывается на упругую $\boldsymbol{\varepsilon}^e$, пластическую $\boldsymbol{\varepsilon}^p$ и температурную $\boldsymbol{\varepsilon}^{th}$ составляющие:

$\boldsymbol{\varepsilon} = \boldsymbol{\varepsilon}^e + \boldsymbol{\varepsilon}^p + \boldsymbol{\varepsilon}^{th}$

Пластичность моделируется с использованием теории течения $J_2$ с изотропным упрочнением. Напряжение вычисляется по закону Гука: $\boldsymbol{\sigma} = \mathbb{C}(T, \phi) : \boldsymbol{\varepsilon}^e$, где $\mathbb{C}$ — тензор жёсткости, зависящий от температуры $T$ и фазы $\phi$.

2.3. Свойства материалов и граничные условия

Свойства материалов (модуль Юнга, предел текучести, коэффициент теплового расширения) задаются как функции температуры и фазы. Расчётная область представляет собой участок порошкового слоя с соответствующими тепловыми (конвекция, излучение) и механическими (изначально свободными от напряжений) граничными условиями. Лазерный луч моделируется как движущийся источник тепла с гауссовым распределением мощности.

3. Результаты и обсуждение

3.1. Эволюция микроструктуры и концентрация напряжений

Результаты моделирования показывают, что концентрация напряжений не является равномерной. Она в основном локализуется в двух критических областях: (1) области перешейков между частично расплавленными частицами и (2) стыках между последовательно нанесёнными слоями. Эти области являются точками зарождения пластической деформации.

3.2. Распределение остаточных напряжений и пластической деформации

Накопленная пластическая деформация и результирующие остаточные напряжения следуют за тепловым градиентом. Высокие растягивающие остаточные напряжения обнаруживаются в ядре спечённых областей при охлаждении, в то время как сжимающие напряжения могут возникать вблизи поверхности или границ раздела. Это несоответствие является основной причиной искажений и потенциального расслоения.

Описание диаграммы (моделируемой): 3D контурный график показал бы распределение напряжений по Мизесу в многослойном порошковом слое. Зоны высоких напряжений (красные) чётко видны вдоль межчастичных перешейков и границ слоёв, в то время как зоны низких напряжений (синие) занимают центры полностью расплавленных ванн и несспечённых порошковых областей.

3.3. Влияние параметров процесса

В исследовании оценивается влияние мощности луча и скорости сканирования (часто объединяемых в линейную плотность энергии). Более высокий энергетический вклад, как правило, увеличивает размер ванны расплава, снижает пористость, но может усугубить тепловые градиенты, приводя к более высоким остаточным напряжениям при отсутствии оптимизации. Определён диапазон параметров для достижения приемлемой плотности при минимизированных напряжениях.

4. Технический анализ и структура

4.1. Ключевая идея и логическая последовательность

Ключевая идея статьи заключается в том, что мезомасштабное моделирование с разрешением на уровне порошка является обязательным для прогнозирования результатов SLS. Логическая последовательность убедительна: начать с физически обоснованной модели фазового поля для получения «формы» материала, затем использовать эту геометрию и тепловую историю в качестве прямого входа для механического анализа. Это значительный шаг вперёд по сравнению с усреднёнными моделями, которые сглаживают критические явления на уровне порошка. Это отражает философию вычислительного материаловедения, где первостепенное значение имеет правильное описание микроструктуры, подобно работе по фазовому полю разрушения Miehe и др. (2010).

4.2. Сильные стороны и недостатки

Сильные стороны: Связь элегантна и физически обоснована. Идентификация областей перешейков и межслойных границ как концентраторов напряжений является ценным, практически значимым результатом. Попытка построить регрессионные модели на основе данных моделирования прагматична для внедрения в промышленность.

Недостатки: Вычислительная стоимость, несомненно, огромна, что ограничивает размер моделируемой области. Вероятно, модель упрощает распределение размеров частиц порошка и случайность упаковки. Валидация, хотя и сравнивается с экспериментами, требует более количественных, поточечных измерений напряжений (например, с использованием синхротронной рентгеновской дифракции) для полного установления достоверности.

4.3. Практические рекомендации

Для инженеров-технологов: Сосредоточьте планирование траектории лазера и разработку параметров не только на плотности, но и на минимизации напряжений в выявленных критических областях (перешейки, стыки слоёв). Используйте регрессионные модели в качестве отправной точки для определения технологического окна. Для исследователей: Эта структура является шаблоном. Следующий шаг — включить больше физики: динамику нанесения порошка, испарение и явное образование трещин, а также использовать методы понижения порядка модели или суррогатные модели машинного обучения для ускорения расчётов.

5. Экспериментальная корреляция и регрессионные модели

Результаты моделирования зависимости пористости от энергетического вклада показывают тенденции, согласующиеся с экспериментальными данными по SLS. На основе данных моделирования предложены феноменологические регрессионные модели для описания зависимости усреднённого по объёму остаточного напряжения $\bar{\sigma}_{res}$ и пластической деформации $\bar{\varepsilon}^p$ от линейной плотности энергии $E$:

$\bar{\sigma}_{res} = \alpha \cdot E^{\beta} + \gamma$

$\bar{\varepsilon}^p = \delta \cdot \ln(E) + \epsilon$

где $\alpha, \beta, \gamma, \delta, \epsilon$ — подгоночные параметры. Эти простые модели предоставляют инструмент для быстрой оценки тенденций, хотя они требуют калибровки для конкретных материаловых систем.

6. Будущие применения и направления

Проектирование для аддитивного производства (DfAM): Интегрировать этот инструмент моделирования в ПО для DfAM, чтобы прогнозировать и снижать остаточные напряжения на этапе проектирования, позволяя проводить топологическую оптимизацию с учётом ограничений технологичности.
Разработка материалов: Быстрый скрининг новых порошковых материалов (например, композитов, высокоэнтропийных сплавов) на пригодность для SLS и склонность к образованию остаточных напряжений.
Мониторинг и управление процессом: Использовать результаты моделирования для разработки стратегий in-situ мониторинга. Например, данные тепловизионной съёмки могут подаваться в модель пониженного порядка для оценки накопления напряжений в реальном времени, что позволит осуществлять адаптивное управление лазером.
Мультимасштабное моделирование: Использовать мезомасштабные результаты в качестве входных данных для макромоделей на уровне детали, создавая истинную мультимасштабную цепочку моделирования для целых компонентов.
Интеграция машинного обучения: Обучить модели глубокого обучения (например, свёрточные нейронные сети) на базе данных результатов моделирования для создания мгновенных предикторов напряжений и плотности, как это исследуется в других областях АМ учёными таких институтов, как Computational Mechanics Group MIT.

7. Список литературы

Mercelis, P., & Kruth, J. P. (2006). Residual stresses in selective laser sintering and selective laser melting. Rapid Prototyping Journal.
Miehe, C., Welschinger, F., & Hofacker, M. (2010). Thermodynamically consistent phase-field models of fracture: Variational principles and multi-field FE implementations. International Journal for Numerical Methods in Engineering.
DebRoy, T., et al. (2018). Additive manufacturing of metallic components – Process, structure and properties. Progress in Materials Science.
Khorasani, A. M., et al. (2022). A review of machine learning in additive manufacturing. Journal of Intelligent Manufacturing.
National Institute of Standards and Technology (NIST). (2022). Measurement Science for Additive Manufacturing. [Online] Доступно: https://www.nist.gov/programs-projects/measurement-science-additive-manufacturing
Zhou, X., et al. (2020). Phase-field modeling in materials science. Annual Review of Materials Research.

Авторский анализ: Высокорискованная задача прогнозирования скрытых дефектов в аддитивном производстве

Это исследование Янга и др. представляет собой убедительное погружение в одну из самых устойчивых и дорогостоящих проблем аддитивного производства: прогнозирование и контроль остаточных напряжений. Подход авторов — тесно связанное 3D моделирование фазового поля и термо-упруго-пластических процессов — это не просто постепенное улучшение; он представляет собой необходимый переход к высокоточной, учитывающей микроструктуру модели процесса. Значимость заключается в целенаправленном фокусе на селективном лазерном спекании (SLS) пористых материалов, области, где концентрация напряжений усугубляется из-за отсутствия сплошного материала и преобладания частичного плавления. Их вывод о том, что напряжения локализуются в перешейках частиц и межслойных стыках, интуитивно понятен, но критически важен, предоставляя чёткую карту мест зарождения разрушений.

Технический вклад существенен. Интегрируя модель фазового поля для эволюции микроструктуры непосредственно с механическим решателем, они избегают распространённой ошибки — предположения о конечной, идеализированной геометрии. Это аналогично философии, лежащей в основе успешных генеративных моделей в других областях, таких как CycleGAN (Zhu et al., 2017), которая изучает отображения между доменами без парных примеров — здесь модель изучает внутреннюю связь между тепловой историей, изменением геометрии и генерацией напряжений без их априорного разделения. Однако сложность модели является её ахиллесовой пятой. Вычислительные затраты на разрешение отдельных частиц порошка в 3D в нескольких слоях непомерно высоки для моделирования чего-либо, кроме небольшого репрезентативного объёма. Это ограничение перекликается с проблемами, с которыми сталкиваются другие высокоточные симуляции, такие как прямое численное моделирование в гидродинамике.

По сравнению с чисто эмпирическими или усреднёнными подходами, эта работа предлагает лучшее механистическое понимание. Тем не менее, она должна быть валидирована с помощью столь же детальных экспериментов. Ссылки на эталонные исследования таких институтов, как Национальный институт стандартов и технологий (NIST), который возглавляет программу Измерительная наука для аддитивного производства, имеют важное значение. Работа NIST по количественной оценке характеристик процессов АМ предоставляет критически важные экспериментальные данные, необходимые для проверки таких сложных моделей. Предложенные регрессионные модели являются умным, прагматичным мостом к промышленности, но они рискуют чрезмерным упрощением, если применяются за пределами своего калибровочного диапазона.

В заключение, эта статья представляет собой сложное доказательство концепции, закладывающее прочный фундамент. Будущее заключается в масштабировании этого подхода — с помощью адаптивных сеток, понижения порядка модели или гибридных методов машинного обучения — чтобы сделать его практическим инструментом для прогнозирования на уровне детали. Конечная цель, как и во всём передовом производстве, — перейти от постпроцессного контроля к сертификации in silico, и данная работа является решительным шагом на этом пути.