基于近球形粉末的钛合金增材制造工艺参数的设计方法

1.本发明涉及金属材料制备技术领域，具体涉及一种基于近球形粉末的钛合金增材制造工艺参数的设计方法。


背景技术：

2.钛合金因具有低密度、高比强度、耐热耐蚀等优良特性被广泛应用于航空航天领域，例如飞机起落架、发动机部件和气动系统管道等部件，其用量高低已经成为衡量国防装备先进性的重要标志之一。随着航空航天用钛合金构件朝高能化、精密复杂化、一体化和轻量化设计方向发展，导致传统铸造/锻造+机加工制备工艺无法满足要求。激光粉末床熔融增材制造技术作为一种新兴数字化近终成形技术，其基于离散-堆积原理，将预打印的三维模型分层切片成离散数据，随后通过高能激光束熔化金属粉末实现逐点-逐线-逐面成形，无需模具、设计自由度高、生产周期短，在航空航天用小批量、高性能多样化复杂结构钛合金制件的精密制备方面展现出独特优势，受到业界广泛关注和研究。然而，目前增材制造钛合金所用球形粉末原料价格昂贵，限制了增材制造钛合金构件在航空航天领域进一步大规模应用。
3.为此，近年来国内外展开了大量有关增材制造用钛粉低成本化研究工作。前期研究表明，以低成本、不规则氢化脱氢(hdh)钛粉为原料，利用高温球磨技术可获得满足增材制造用粉末流动性要求的低成本近球形钛粉，大幅度降低增材制造钛制件的生产成本。但是相比于球形粉末，近球形粉末表面形貌、流动性等粉末特性发生改变，导致其热导率、激光吸收率及粉末床密度等会有所不同，进而会造成成形件致密度、表面质量、力学性能等发生显著改变。而现有研究基本以球形粉末为原料，对近球形粉末的研究较为少见；此外，目前仍主要依赖实验试错法及有限元模拟方法，在一个相对狭窄的范围内对增材制造工艺参数进行设计优化，导致工艺参数窗口设计优化阶段耗费大量时间和资金，进而严重制约基于近球形粉末的激光粉末床增材制造钛合金构件在航空航天领域的广泛应用。


技术实现要素：

4.本发明的主要目的在于提供一种基于近球形粉末的钛合金增材制造工艺参数的设计方法，该设计方法相比于传统实验试错法、及基于物理建模的模拟仿真技术，可以解决基于近球形粉末的激光增材制造技术在工艺参数设计及优化时成本高、周期长、准确性较低的问题。
5.为了实现上述目的本发明提供了一种基于近球形粉末的钛合金增材制造工艺参数的设计方法。
6.该基于近球形粉末的钛合金增材制造工艺参数的设计方法包括以下步骤：
7.s1，建立粉末特性参数-工艺参数-材料性能gbdt初始模型；
8.s2，对所述gbdt初始模型进行优化处理，获得gbdt最佳模型；
9.s3，针对任一组预设粉末特性参数，将多组预设工艺参数输入所述gbdt最佳模型，
获得与所述多组预设工艺参数相对应的多组材料性能第一预测数据；
10.s4，根据所述多组材料性能第一预测数据确定最佳工艺参数。
11.进一步的，在建立所述gbdt初始模型之前还包括s0，建立数据集；其中，
12.所述数据集分为训练集和测试集，并利用所述训练集建立所述gbdt初始模型。
13.进一步的，所述训练集中含有多组训练数据，且每组训练数据均包括第一工艺参数、第一粉末特性参数、第一材料性能数据；
14.所述测试集中含有多组测试数据，且每组测试数据均包括第二工艺参数、第二粉末特性参数、第二材料性能数据。
15.进一步的，所述第一粉末特性参数和所述第二粉末特性参数均包括流动性、松装密度、比表面积中的至少一项。
16.进一步的，所述第一工艺参数和所述第二工艺参数均包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项；
17.所述第一材料性能数据和所述第二材料性能数据均包括致密度、硬度、抗拉强度、延伸率中的至少一项。
18.进一步的，所述训练集中数据量占所述数据集总数据量的70～80％，所述测试集中数据量占所述数据集总数据量的20～30％，所述训练集和测试集数据量占总数据量的比例之和始终为1。
19.进一步的，步骤s2中对所述gbdt初始模型进行优化处理包括：
20.s2-1，采用random search结合k-fold cross validation算法对所述gbdt初始模型超参数进行双重优化处理，得到gbdt改进模型；其中，k为5、10，所述超参数包括树的数量、学习速率、最大树深度和子采样比例；
21.s2-2，对所述gbdt改进模型进行预测效果评估及优化设计，获得所述gbdt最佳模型；其中，所采用的评价指标为决定系数r2、平均绝对百分比误差mape。
22.进一步的，步骤s2-2中，采用所述测试集对所述gbdt改进模型进行预测效果评估及优化设计，包括以下步骤：
23.s2-2-1，将所述第二工艺参数、第二粉末特性参数输入所述gbdt改进模型，得到材料性能第二预测数据；
24.s2-2-2，利用所述材料性能第二预测数据与所述第二材料性能数据，计算得到决定系数r2和平均绝对百分比误差mape；
25.s2-2-3，当决定系数r2＜预设阈值或平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化所述超参数区间及迭代次数并重复优化设计步骤s2，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计。
26.进一步的，所述超参数中树的数量、学习速率、最大树深度和子采样比例优化区间分别为1～1000、0.01～0.5、1～10和0～1，所述迭代次数为100～1500；
27.优选的，所述r2和mape的预设阈值分别为0.95和5％。
28.进一步的，还包括以下步骤：
29.s5，采用近球形粉末，利用所述最佳工艺参数进行增材制造，并对制得的制件进行相关性能检测，获得实验数据；
30.s6，将所述最佳工艺参数与所述实验数据添加至所述数据集，作为所述数据集中
的一组新数据；
31.s7，重复步骤s0～s2，以对所述gbdt最佳模型进行进一步优化。
32.本发明基于数据驱动的机器学习方法建立了粉末特性参数-增材制造工艺参数-制件性能gbdt(梯度提升回归树)预测模型，建立了近球形粉末成形工艺窗口，实现了航空航天用低成本高性能增材制造钛基构件的快速响应制备。
33.本发明中的设计方法具有以下优势：
34.1)相比于传统实验试错法及基于物理模型的有限元分析方法，本发明所提出的基于数据驱动机器学习的增材制造工艺参数的设计方法，可充分利用已有的大量生产及研究数据以挖掘针对近球形粉末的增材制造工艺参数与性能之间隐式关系，从而在无需充分了解增材制造技术内部机理的情况下建立近球形粉末工艺适配窗口，最终实现增材制造高性能低成本钛基制件的高效制备以满足航空航天用高性能低成本钛制件需求。
35.2)相比于简单lr模型(线性回归模型)及高精度深度神经网络(dnn)模型，本发明提出的利用random search结合k-fold cross validation算法优化的gbdt模型，无需人工干预调参，在满足高预测精度的前提下可有效减少人工成本、缩短预测周期。
36.3)相比于球形钛粉末，本发明采用的近球形粉末制备设备及工艺简单、成本低、收得率高接近100％，且粉末流动性满足增材用粉末要求，可满足航空航天用增材制造钛制件低成本化需求。
附图说明
37.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
38.图1为本发明提供的实施例中设计方法的流程图。
具体实施方式
39.下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
40.本发明针对近球形原料粉末激光粉末床熔融技术工艺适配性进行研究，开发一种新方法以揭示构件成形过程中多个工艺参数与制件性能之间的隐式复杂关系，从而建立近球形粉末成形工艺适配窗口，实现航空航天用低成本高性能增材制造钛基构件的快速响应制备。
41.本发明中最佳工艺参数设计方法首先通过公开文献、实验及模拟计算等方式获取钛基粉末粉末特性、工艺参数、制件性能数据，建立高质量样本数据集；在此基础上，采用机器学习方法通过数据挖掘揭示粉末特性、工艺参数及性能三者之间的复杂隐式关系，构建粉末特性-工艺参数-制件性能机器学习模型；随后将粉末特性数据及工艺参数输入至模型中以获得对应的性能数据，从而快速精准确定最佳工艺参数。
42.本发明中基于近球形粉末的钛合金增材制造工艺参数的设计方法包括以下步骤：
和平均绝对百分比误差mape；
64.s2-2-3，判断决定系数r2是否大于或等于预设阈值或者平均绝对百分比误差mape是否小于或等于预设阈值；
65.当决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计；其中，gbdt改进模型即为gbdt最佳模型；
66.当决定系数r2＜预设阈值或者平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化超参数(n_estimator、learning_rate、max_depth、subsample)区间及迭代次数(n_iter)并重复优化设计步骤s2，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计，获得gbdt最佳模型。
67.本发明中所采用的模型评价指标为决定系数r2和平均绝对百分比误差mape，r2值在0～1范围内，且越接近1表明模型精度越高，mape其值越小表明模型精度越高。
68.作为本发明的实施方式，r2和mape的预设阈值分别为0.95和5％。
69.需要说明的是，k值可以取5或10，当然也可以根据实际需要进行设计，不作具体要求。
70.s3，针对任一组预设粉末特性，将多组预设工艺参数输入gbdt最佳模型，获得与多组预设工艺参数相对应的多组材料性能第一预测数据。
71.在本发明的实施例中，可以从预先设定的工艺参数范围中选择多组工艺参数输入到gbdt最佳模型中，从而获得相对应的多组材料性能第一预测数据。
72.值得一提的是，预设粉末特征参数可以设置多组，并且针对任一组预设粉末特征参数都可以设置多组预设工艺参数，以获得与其相对应的多组材料性能第一预测数据。
73.在本发明的实施例中，粉末特性也可以根据实际需要进行预先设定，比如预先设定近球形粉末的流动性为38.5s/50g、松装密度为2.37g/cm3和比表面积为0.125m2/g，针对该粉末特性再设计多组预设工艺参数，以获得与其相对应的多组材料性能第一预测数据。
74.s4，根据多组材料性能第一预测数据确定最佳工艺参数。
75.在本发明的实施例中，可以通过对比分析所要获得材料的性能要求与材料性能第一预测数据来筛选确定最佳工艺参数，实现高性能低成本增材制造钛合金的快速制备，可以解决基于近球形粉末的激光增材制造技术在工艺参数优化设计时成本高、周期长、准确性较低的问题。
76.本发明中为了实现增材制造工艺参数的更加精确设计，在上述的基于近球形粉末的钛合金增材制造工艺参数的设计方法基础上进行模型优化，进一步提高模型精度。
77.本发明中基于近球形粉末的钛合金增材制造工艺参数的设计方法包括以下步骤：s0，建立数据集；其中，数据集分为训练集和测试集。
78.s1，利用训练集建立粉末特性参数-工艺参数-材料性能gbdt初始模型。
79.s2，对gbdt初始模型进行优化处理，获得gbdt最佳模型。
80.s2-1，采用random search结合k-fold cross validation算法对gbdt初始模型进行优化处理，得到gbdt改进模型；其中，k可以为5、10，random search算法优化超参数n_estimator、learning_rate、max_depth和subsample区间分别为1～1000、0.01～0.5、1～10和0～1，迭代次数n_iter为100～1500。
81.s2-2，对gbdt改进模型进行模型效果评估及优化设计，获得gbdt最佳模型。
82.s2-2-1，将第二工艺参数、第二粉末特性参数输入gbdt改进模型，得到材料性能第二预测数据；
83.s2-2-2，利用材料性能第二预测数据与第二材料性能数据，计算得到决定系数r2和平均绝对百分比误差mape；
84.当决定系数r2＜预设阈值或者平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化超参数(n_estimator、learning_rate、max_depth、subsample)区间及迭代次数(n_iter)并重复优化设计步骤s2，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计。
85.s3，针对不同的粉末特性，将多组预设工艺参数输入gbdt最佳模型，获得与多组预设工艺参数相对应的多组材料性能第一预测数据。
86.s4，根据多组材料性能第一预测数据确定最佳工艺参数。
87.s5，采用近球形粉末，利用最佳工艺参数进行增材制造，并对制得的制件进行相关性能检测，获得实验数据；其中，利用solidworks软件按所需零件形状绘制三维模型并导出；将cad模型导入快速成型辅助软件materialise magics中，按照最佳工艺参数进行分层切片处理，将得到的二维数据信息输入金属打印设备中并开始打印；打印完成制得制件。
88.s6，将最佳工艺参数与实验数据添加至数据集，作为数据集中的一组新数据。
89.s7，重复步骤s0～s2，以对gbdt最佳模型进行优化。
90.值得一提的是，可以计算获得材料性能实验值与预测值之间的误差百分比，通常误差在5％以内即表明模型精度满足要求。
91.以下将通过具体实施例对本发明中基于近球形粉末的钛合金增材制造工艺参数的设计方法进行详细说明。
92.实施例1：
93.以基于近球形粉末的选择性激光熔化成形钛合金制件性能中致密度的快速精准预测为例进行说明与其相对应的工艺参数的优化设计，具体步骤如下：
94.1)建立初始数据集：从公开文献、实验及生产数据中抓取粉末特性数据、选择性激光熔化技术工艺参数、钛合金制件致密度数据，建立初始数据集。
95.2)归一化处理：将初始数据集中的粉末特性数据、工艺参数与制件致密度数据分别进行归一化处理(0～1)，获得粉末特性-工艺参数-制件致密度数据集；其中，该数据集分为训练集和测试集，训练集中数据量占数据集总数据量的75％，测试集中数据量占数据集总数据量的25％。
96.3)建立粉末特性-工艺参数-制件性能gbdt初始模型：以训练集中的粉末特性数据及工艺参数作为输入数据，以制件致密度数据作为输出数据，设置n_estimator为200、learning_rate为0.01、max_depth为5以及subsample为1。
97.4)利用random search结合k-fold cross validation算法对gbdt初始模型超参数进行优化设计，获得gbdt改进模型，其中，k＝10，random search算法优化超参数n_estimator、learning_rate、max_depth和subsample区间分别为1～1000、0.01～0.5、1～10和0～1，迭代次数n_iter为800；同时，可以对比改进前后模型的决定系数r2，其中，改进前r2＝0.90，改进后r2＝0.99。
98.5)利用测试集对gbdt改进模型准确性进行评估，具体的，将每组测试数据的粉末
特性及工艺参数作为输入数据，获得制件致密度第二预测数据(对应材料性能第二预测数据)，然后利用该制件致密度第二预测数据与每组测试数据中的制件致密度数据(对应第二材料性能数据)计算得到决定系数r2＝0.98、mape＝2.8％(满足≥0.95且mape≤5％条件)，该gbdt改进模型也即视为gbdt最佳模型。
99.6)针对流动性38.5s/50g、松装密度2.37g/cm3和比表面积0.125m2/g的近球形ti-6al-4v合金粉末，以激光功率、扫描速度、扫描间距和铺粉层厚作为4个因素并为每个因素确定3个水平进行工艺参数正交设计，得到多组预设工艺参数并将多组预设工艺参数及原料粉末特性作为输入数据输入gbdt最佳模型，得到与多组预设工艺参数相对应的制件致密度第一预测数据(对应材料性能第一预测数据/预测值)，如表1所示。
100.7)根据表1中多组致密度第一预测数据筛选确定最佳工艺参数，筛选依据为致密度≥98％。
101.8)采用上述最佳工艺参数，以上述流动性38.5s/50g、松装密度2.37g/cm3和比表面积0.125m2/g的近球形粉末为原料，利用选择性激光熔化技术成形制件，具体步骤如下：利用solidworks软件按所需零件形状绘制三维模型并导出；将cad模型导入快速成型辅助软件materialise magics中，按照步骤7)中最佳工艺参数进行分层切片处理，将得到的二维数据信息输入金属打印设备中并开始打印；打印完成制得制件；将得到的制件在酒精中超声清洗20min，然后在真空干燥箱中干燥处理30min，干燥处理温度为60℃；通过阿基米德排水法测试干燥处理后的制件致密度(对应实验数据/实验值)，结果如表1所示。
102.9)比较预测值与实验值之间的误差百分比，并将实验数据添加到建立的数据集中，通过实验数据迭代反馈不断提高模型预测精度和泛化能力。
103.表1工艺参数设计及其对应制件致密度第一预测数据和实验数据
[0104][0105][0106]
由表1可知，针对流动性38.5s/50g、松装密度2.37g/cm3和比表面积0.125m2/g的近球形原料粉末，利用本发明所提出的机器学习模型预测的工艺参数成形ti-6al-4v制件的
致密度实验值与预测值之间误差百分比在0.92～1.37％范围内，表明本发明建立的粉末特性-工艺参数-钛合金性能gbdt模型精度高(通常误差在5％以内即表明模型精度满足要求)。其中，实施例1中的最佳工艺参数选取范围为激光功率100～200w、扫描速度400～1200mm/s、扫描间距0.08～0.12mm。
[0107]
实施例2：
[0108]
以基于近球形粉末的选择性激光熔化成形纯钛制件性能中抗拉强度、延伸率的快速预测为例进行说明与其相对应的工艺参数的优化设计，具体步骤如下：
[0109]
1)建立初始数据集：从公开文献、实验及生产数据中抓取粉末特性数据、工艺参数、制件性能数据(抗拉强度、延伸率)，建立初始数据集。
[0110]
2)归一化处理：将初始数据集中的粉末特性数据、工艺参数与制件性能数据分别进行归一化处理(0～1)，获得粉末特性-工艺参数-制件性能数据集。其中，数据集分为训练集和测试集，训练集中数据量占数据集总数据量的75％，测试集中数据量占数据集总数据量的25％。
[0111]
3)建立粉末特性-工艺参数-制件性能gbdt初始模型：以训练集中的粉末特性数据及工艺参数作为输入数据，以制件性能数据作为输出数据，设置n_estimator为300、learning_rate为0.02、max_depth为5以及subsample为1。
[0112]
4)利用random search结合k-fold cross validation算法对gbdt初始模型进行改进，获得gbdt改进模型，其中，k＝10，超参数n_estimator、learning_rate、max_depth和subsample优化区间分别为1～1000、0.01～0.5、1～10和0～1，所述迭代次数n_iter为100；同时，可以对比改进前后模型的决定系数r2，其中，改进前r2＝0.91，改进前r2＝0.96。
[0113]
5)利用测试集对gbdt改进模型准确性进行评估，具体的，将每组测试数据的粉末特性及工艺参数作为输入数据，获得制件性能第二预测数据(对应材料性能第二预测数据)，然后利用该制件性能第二预测数据与每组测试数据中的制件性能数据(对应第二材料性能数据)计算得到决定系数r2＝0.93≤0.95；之后重新设定迭代次数n_iter为500，并再次进行测试，计算得到决定系数r2＝0.97≥0.95、mape＝3.42％≤5％，获得gbdt最佳模型。
[0114]
6)针对流动性34.3s/50g、松装密度2.45g/cm3和比表面积0.097m2/g的近球形纯钛粉末，以激光功率、扫描速度、扫描间距和铺粉层厚作为4个变量进行工艺参数组合设计，得到多组预设工艺参数并将多组预设工艺参数及原料粉末特性作为输入数据输入gbdt最佳模型，得到与多组预设工艺参数相对应的抗拉强度和延伸率第一预测数据(对应材料性能第一预测数据/预测值)，如表2所示。
[0115]
7)根据表2中抗拉强度和延伸率第一预测数据筛选确定最佳工艺参数，筛选依据为抗拉强度≥895mpa且延伸率≥10％；
[0116]
8)采用上述最佳工艺参数，以上述流动性34.3s/50g、松装密度2.45g/cm3和比表面积0.097m2/g的近球形粉末为原料，利用选择性激光熔化技术成形制件，具体步骤如下：利用solidworks软件按所需零件形状绘制三维模型并导出；将cad模型导入快速成型辅助软件materialise magics中，按照步骤7)中最佳工艺参数进行分层切片处理，将得到的二维数据信息输入金属打印设备中并开始打印；打印完成制得制件；将得到的制件在酒精中超声清洗20min，然后在真空干燥箱中干燥处理30min，干燥处理温度为60℃；通过拉伸试验机进行拉伸性能测试，结果如表2所示。
[0117]
9)比较预测值与实验值之间的误差百分比，并将实验数据添加到建立的数据集中，通过实验数据迭代反馈不断提高模型预测精度和泛化能力。
[0118]
表2工艺参数设计及其对应抗拉强度、延伸率的第一预测数据和实验数据
[0119][0120][0121]
从表2中可以看出，抗拉强度和延伸率的误差范围分别在1.37～2.29％和2.65～3.38％之间，均小于5％，故本发明建立的gbdt模型精度满足使用要求，可实现选区激光熔化纯钛制件拉伸力学性能的快速精准预测，从而高效确定最佳工艺参数，完成基于具有不同特性近球形原料粉末的高性能低成本纯钛制件快速响应制备，其中，实施例2中的最佳工艺参数选取范围为激光功率175～225w、扫描速度600～800mm/s、扫描间距0.11～0.16mm。
[0122]
本发明基于数据驱动机器学习方法构建粉末特性-增材制造工艺参数-钛基材料性能预测模型，能够大幅降低以近球形粉末为原料的高性能钛基制件增材制造工艺参数优化的周期和成本。
[0123]
需要说明的是，本发明的说明书和权利要求书中的术语“包括”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列部件不必限于清楚地列出的那些部件，而是可包括没有清楚地列出的或对于部件固有的其它部件。
[0124]
本发明中涉及的“第一”、“第二”等的描述，该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
[0125]
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0126]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于近球形粉末的钛合金增材制造工艺参数的设计方法，其特征在于，包括以下步骤：s1，建立粉末特性参数-工艺参数-材料性能gbdt初始模型；s2，对所述gbdt初始模型进行优化处理，获得gbdt最佳模型；s3，针对任一组预设粉末特性参数，将多组预设工艺参数输入所述gbdt最佳模型，获得与所述多组预设工艺参数相对应的多组材料性能第一预测数据；s4，根据所述多组材料性能第一预测数据确定最佳工艺参数。2.如权利要求1所述的设计方法，其特征在于，在建立所述gbdt初始模型之前还包括s0，建立数据集；其中，所述数据集分为训练集和测试集，并利用所述训练集建立所述gbdt初始模型。3.如权利要求2所述的设计方法，其特征在于，所述训练集中含有多组训练数据，且每组训练数据均包括第一工艺参数、第一粉末特性参数、第一材料性能数据；所述测试集中含有多组测试数据，且每组测试数据均包括第二工艺参数、第二粉末特性参数、第二材料性能数据。4.如权利要求3所述的设计方法，其特征在于，所述第一粉末特性参数和所述第二粉末特性参数均包括流动性、松装密度、比表面积中的至少一项。5.如权利要求3所述的设计方法，其特征在于，所述第一工艺参数和所述第二工艺参数均包括激光功率、扫描速度、扫描间距、铺粉层厚中的至少一项；所述第一材料性能数据和所述第二材料性能数据均包括致密度、硬度、抗拉强度、延伸率中的至少一项。6.如权利要求2所述的设计方法，其特征在于，所述训练集中数据量占所述数据集总数据量的70～80％，所述测试集中数据量占所述数据集总数据量的20～30％，所述训练集和测试集数据量占总数据量的比例之和始终为1。7.如权利要求2所述的设计方法，其特征在于，步骤s2中对所述gbdt初始模型进行优化处理包括：s2-1，采用random search结合k-fold cross validation算法对所述gbdt初始模型超参数进行双重优化处理，得到gbdt改进模型；其中，k为5、10，所述超参数包括树的数量、学习速率、最大树深度和子采样比例；s2-2，对所述gbdt改进模型进行预测效果评估及优化设计，获得所述gbdt最佳模型；其中，所采用的评价指标为决定系数r2、平均绝对百分比误差mape。8.如权利要求7所述的设计方法，其特征在于，步骤s2-2中，采用所述测试集对所述gbdt改进模型进行预测效果评估及优化设计，包括以下步骤：s2-2-1，将所述第二工艺参数、第二粉末特性参数输入所述gbdt改进模型，得到材料性能第二预测数据；s2-2-2，利用所述材料性能第二预测数据与所述第二材料性能数据，计算得到决定系数r2和平均绝对百分比误差mape；s2-2-3，当决定系数r2＜预设阈值或平均绝对百分比误差mape＞预设阈值，重新设定rs算法优化所述超参数区间及迭代次数并重复优化设计步骤s2，直至决定系数r2≥预设阈值且平均绝对百分比误差mape≤预设阈值，完成优化设计。
9.如权利要求8所述的设计方法，其特征在于，所述超参数中树的数量、学习速率、最大树深度和子采样比例优化区间分别为1～1000、0.01～0.5、1～10和0～1，所述迭代次数为100～1500；优选的，所述r2和mape的预设阈值分别为0.95和5％。10.如权利要求2所述的设计方法，其特征在于，还包括以下步骤：s5，采用近球形粉末，利用所述最佳工艺参数进行增材制造，并对制得的制件进行相关性能检测，获得实验数据；s6，将所述最佳工艺参数与所述实验数据添加至所述数据集，作为所述数据集中的一组新数据；s7，重复步骤s0～s2，以对所述gbdt最佳模型进行优化。

技术总结
本发明提供了一种基于近球形粉末的钛合金增材制造工艺参数的设计方法，该设计方法相比于传统实验试错法、及基于物理建模的模拟仿真技术，可以解决基于近球形粉末的激光增材制造技术在工艺参数设计及优化时成本高、周期长、准确性较低的问题。准确性较低的问题。准确性较低的问题。


技术研发人员：徐伟 于爱华 路新
受保护的技术使用者：北京科技大学
技术研发日：2023.05.10
技术公布日：2023/9/5