多伦多大学邹宇团队2篇新作：AI主动学习6轮锁定6种高温合金、贯通金属3D打印全链智能

多伦多大学团队将主动学习、高通量实验与激光定向能量沉积结合，在6轮迭代中发现6种可打印NiCoCr新合金。其中一种在高温下保持更高硬度，另一种在1000 ℃下表现出优异抗氧化能力。团队同时发表综述，系统总结机器学习在材料选择、参数优化和过程监测中的进展、挑战与未来方向。

如果把合金开发比作寻找最佳配方，那么金属3D打印还要同时解决另一道难题：不仅配方本身要强、耐热、耐氧化，还必须能被激光稳定地打印出来。面对成千上万种成分组合和复杂工艺参数，仅靠经验逐一试验，往往耗时、昂贵，而且很容易错过真正优异的“非传统配方”。

多伦多大学团队近期发表的两项工作，为这一难题给出了一次实践和一张路线图。

第一项研究发表于npj Advanced Manufacturing。在这项研究中，团队将主动学习、物理知识、高通量实验和激光定向能量沉积结合，建立ALPHA-AM闭环平台，并在Ni-Co-Cr三元体系中快速发现6种可打印新合金。

第二项综述发表于Journal of Manufacturing Systems，研究团队系统梳理了机器学习如何贯穿金属增材制造的材料选择、参数优化和过程监测。

多伦多大学极端力学与增材制造实验室邹宇团队最新研究：

图1  多伦多大学材料系博士生Ajay Talbot展示团队研制的Ni-Co-Cr合金样品。

图片来源：U of T Engineering News；摄影：Tyler Irving。

....

ALPHA-AM闭环平台

快速发现6种可打印新合金

图2  主动学习加速NiCoCr复杂浓缩合金发现的研究发表于npj Advanced Manufacturing。

为什么金属3D打印合金如此难找？

传统合金通常围绕一种主要元素设计，例如以镍或钴为基体，再加入少量其他元素。复杂浓缩合金则让多种元素都占据较高比例，潜在组合数量迅速增加。即使只考虑Ni、Co、Cr三种元素，改变任意一种元素的比例，都可能改变凝固路径、相组成、裂纹敏感性、高温硬度和氧化行为。

对增材制造而言，“性能好”还不够，还要“能打印”。激光功率、扫描速度、送粉量、层间热积累等因素，都会影响熔池稳定性、孔隙和热裂纹。于是，研究者面对的不是单一的“成分—性能”问题，而是一个成分、工艺、组织、缺陷与性能彼此耦合的高维空间。

关键矛盾： 高性能配方可能难以打印；容易打印的配方又未必具备最优高温性能。真正有效的算法必须同时考虑“性能收益”和“制造风险”。

主动学习：让模型决定“下一炉做什么”

传统机器学习通常需要先收集大量数据，再训练模型。但新合金恰恰缺少数据。主动学习的思路不同：模型不要求一开始就“知道很多”，而是从少量实验出发，主动挑选最值得做的下一次实验；新数据再反馈给模型，使其逐轮修正判断。它更像一位会规划实验的研究助手。

ALPHA-AM闭环如何运行？

•建立起点：团队先用27种实验验证的合金和物理描述符构建初始数据集，训练硬度预测与热裂纹风险模型。

•提出候选：算法综合预测性能、不确定性和保持无裂纹的概率，选择最有信息价值的下一种成分，而不是简单追逐最高预测值。

•打印与测试：候选合金通过激光定向能量沉积制备；同时利用单道实验寻找稳定工艺窗口，尽量将成分效应与工艺波动区分开。

•反馈再学习：硬度、裂纹与组织数据回到模型中，更新成分—工艺—性能地图，再进入下一轮选择。

图3  ALPHA-AM工作流程：数据驱动合金设计、稳定性导向的工艺优化，以及高通量激光定向能量沉积相互连接，形成实验—模型闭环。图片来源：Talbot等，npj Advanced Manufacturing（2026）。

六轮迭代，发现两种各有所长的合金

经过6轮主动学习，平台筛选出6种新的可打印NiCoCr合金。它们的最优成分并不位于人们熟悉的等原子比附近，而是在更偏Ni、Co或Cr的区域。这一结果说明：对多主元合金而言，“各元素比例相等”并不是性能最优的必要条件。

候选一：Ni₁₂Co₆₂Cr₂₆，更擅长高温硬度保持

Co含量较高的Ni₁₂Co₆₂Cr₂₆在600 ℃下的硬度比等原子比NiCoCr高46.2%，并比固溶强化镍基合金Inconel 625高约4.4%。这说明主动学习能够把搜索引向传统等原子比之外的高价值区域。需要强调的是，这一结果是实验室尺度的硬度对比，距离真实航空发动机部件应用仍需进一步开展拉伸、蠕变、疲劳和长期环境稳定性验证。

候选二：Ni₃₆Co₁₄Cr₅₀，更擅长抗高温氧化

Cr含量较高的Ni₃₆Co₁₄Cr₅₀形成FCC/BCC共晶组织，并能在1000 ℃下维持较稳定的Cr₂O₃保护层。经过100小时氧化后，其比质量变化相对Inconel 625降低84.6%，相对Inconel 738降低19%。这两种合金的优势并不相同，恰好体现了“按应用目标搜索”的价值：同一个平台可以针对强度保持、抗氧化或其他指标采用不同的选择策略。

失败也能成为有价值的数据

在第5轮探索中，模型进入更高风险的Co富集区域，候选合金出现热裂纹。平台并没有简单丢弃这次失败，而是把它作为新的边界信息反馈给模型。随后，第6轮搜索自动转向更安全的区域，找到既可打印、又具有最高硬度提升的候选成分。这正是闭环实验的核心：成功告诉模型“哪里好”，失败告诉模型“边界在哪里”。

一张路线图：

机器学习贯穿金属3D打印全流程

发表于Journal of Manufacturing Systems的综述进一步把视野从一次合金发现扩展到整个激光金属增材制造流程。文章重点讨论激光粉末床熔融（PBF-LB/M）和粉末送进式激光定向能量沉积（DED-LB/P），并将机器学习的作用归纳为三个连续问题：打印什么、怎么打印，以及打印得好不好。

图4  团队在Journal of Manufacturing Systems发表综述，系统讨论机器学习辅助材料选择、参数优化和过程监测。

图5  机器学习可贯穿材料、参数和过程三个阶段；每个阶段同时存在数据、模型迁移、传感器噪声与可解释性等挑战。图片来源：Zhang等，Journal of Manufacturing Systems 88（2026）465–488。

1. 材料选择：先回答“打印什么”

机器学习可以从成分、热物性、相稳定性和既有实验中寻找规律，帮助开发专为增材制造设计的新合金；也可以通过计算机视觉分析粉末显微图像，识别粒径分布、球形度、团聚和异常颗粒，辅助判断流动性与铺粉质量。对工业应用而言，未来还需要进一步预测回收粉末的质量与剩余寿命。

图6  计算机视觉和深度学习可从金属粉末图像中提取粒度、形貌与异常信息，并关联流动性和堆积行为。图片来源：Zhang等（2026）。

2. 参数优化：再回答“怎么打印”

激光功率、扫描速度、光斑尺寸、送粉量、层厚和扫描间距共同决定熔池形态和缺陷。机器学习可以用少量实验建立工艺图谱，预测致密度、表面粗糙度和力学性能，并开展多目标优化。高斯过程回归尤其适合小数据场景，因为它不仅给出预测值，也能估计不确定性，为主动学习提供依据。

图7  机器学习可用于多目标参数优化和工艺窗口搜索，在性能、能耗、致密度及表面质量之间寻找折中解。图片来源：Zhang等（2026）。

3. 过程监测：实时判断“打印得好不好”

增材制造过程会持续产生声学、可见光、红外温度、光电信号和X射线图像。机器学习相当于为设备增加“眼睛和耳朵”：它可以识别熔池波动、匙孔、飞溅、孔隙和裂纹征兆，并把复杂的高速数据转化为可用于质量判断的特征。多传感器融合则有望同时提高可靠性和抗噪能力。

AI能否真正“接管”金属3D打印？

答案是：方向明确，但仍有几道必须跨越的门槛。综述指出，许多研究已经在局部任务上取得很高准确率，但从实验室模型走向可迁移、可解释、可在线控制的工业系统，还需要解决以下问题。

•数据不够多，也不够统一：不同设备、材料和实验室的数据格式与质量差异很大，公开的DED基准数据尤其有限。

•模型跨设备迁移困难：同一组参数在不同机器上可能产生不同结果，单道实验优化也未必能直接推广到多道、多层和复杂零件。

•“预测正确”不等于“理解正确”：高准确率模型仍可能缺少物理可解释性，需要把热力学、凝固、传热传质和力学约束融入学习过程。

•传感器数据存在噪声与同步难题：声学、光学、红外和X射线的时间尺度与空间分辨率不同，多模态数据融合仍是关键挑战。

•闭环控制必须可靠：面向真实制造，算法还需要给出不确定性、识别分布外工况，并在安全边界内做出实时决策。

从经验试错走向闭环发现

这两项工作彼此呼应：综述给出了机器学习赋能金属增材制造的完整路线图，ALPHA-AM则展示了如何把其中的主动学习、工艺稳定性优化和高通量制备真正连接起来。

它们共同传递出一个重要信号：AI的价值不只是更快地拟合数据，而是重新组织材料研发流程——让模型提出问题，让实验提供证据，再让新证据更新模型。

下一步，团队计划把平台推广到包含更多元素、更复杂强化机制的合金体系，并加入高温拉伸、蠕变、疲劳、腐蚀等更接近服役条件的评价指标。

随着自动化制备、机器人表征、多模态传感与物理约束机器学习进一步融合，金属3D打印有望从“依赖专家经验调参”逐步走向可解释、可验证、面向应用目标的自主材料发现。

结语

机器学习不会取代材料科学；它正在帮助材料科学家把有限的实验资源用在最有价值的地方，并打开过去难以系统探索的合金空间。

声 明：文章内容来源于3D科学谷。仅作分享，不代表本号立场；图片非商业用途。如有侵权，请联系小编删除，谢谢！