武汉理工大学[VIRT PHYS PROTOT]: 机器学习辅助优化直接能量沉积工艺制备CuCrZr 表面高耐磨 TiC 增强涂层

【简介】

CuCrZr 合金兼具高导电性与高导热性等优异性能，是极端环境下关键导电与散热部件的首选材料。为解决铜合金硬度低、耐磨性能不足的问题，本研究采用激光粉末直接能量沉积（LP-DED）技术在 CuCrZr 合金表面制备了 8 wt.% TiC/Ti-6Al-4V 涂层。基于贝叶斯优化的高斯过程回归（GPR）模型，精准构建了激光功率（p）、扫描速度（v）与剪切强度之间的优化模型，得到了剪切强度最大化的最优工艺参数（p=1510 W，v=150 mm/min），预测最大剪切强度可达 91.7 ± 2.7 MPa，与实验结果高度吻合。微观结构分析表明，试样形成了(TiC/Ti-6Al-4V)/Cu-Ti 过渡层 / CuCrZr 的梯度结构；TiC/Ti-6Al-4V 涂层与 Cu-Ti 过渡层中均匀分布着共晶态与树枝晶形态的 TiC。涂层的电导率保留了基体的约 90%；得益于 TiC 与 Cu-Ti 金属间化合物（IMCs）的作用，显微硬度提升了约 570%，耐磨性能提升了约 43%，磨损机制由黏着 - 疲劳磨损转变为磨粒磨损。本研究提出了一种机器学习辅助的策略，可用于在 CuCrZr合金表面制备高耐磨导电涂层。

【全文链接】

https://doi.org/10.1080/17452759.2026.2664360

【背景】

铜合金凭借优异的导电性、导热性、高密度与良好的切削加工性能，在电子电气、船舶、航空航天等高端装备制造领域发挥着不可替代的作用。但其硬度低、耐磨性差、易腐蚀的局限，给极端环境下的长期稳定应用带来了挑战。传统的合金强化方法不仅成本高昂，还往往会牺牲铜合金的导电与导热性能。直接能量沉积（DED）作为先进的增材制造技术，涵盖激光、电子束、电弧等多种能量形式，为解决这一问题提供了新途径。该技术利用高能束在基体表面同步熔化送进的粉末或丝材，可在极短时间内实现异质材料的冶金结合。与其他技术相比，采用激光粉末直接能量沉积（LP-DED）在铜合金表面制备强化层，具有能量集中、热输入可控、稀释率低、强化层与基体界面冶金结合稳定等优势。但铜合金对近红外激光的高反射率，给该工艺带来了显著挑战。

目前，该问题主要通过改进激光光源或改变铜合金表面状态来解决。改进激光光源包括选用波长更短的蓝 / 绿激光，或采用高功率激光器。但更换激光光源成本相对较高，因此多数研究者聚焦于通过物理或化学处理改变铜合金基体的表面状态，降低其对激光辐射的反射率。有研究通过喷丸提高表面粗糙度，成功在 CuCrZr 合金上制备了 Ti-6Al-4V 涂层。有研究采用了在 CuCrP 基体上预铺混有粘结剂涂层的粉末的方法。有研究利用电镀技术预制过渡层。有研究采用等离子喷涂在铜基体上预沉积涂层。喷丸、预铺粉、电镀、喷涂等技术本质上都是通过改变铜合金表面状态来抑制激光反射。为分析不同铜合金表面状态对 DED 的影响，有研究对比了抛光、喷砂、激光刻蚀、冷喷涂四种不同预处理表面，结果表明冷喷涂处理的表面沉积质量最优。冷喷涂作为极具前景的处理技术，受到了研究者的广泛关注。但铜合金的高导热性会导致激光能量快速耗散，无法使粉末与基体表面有效熔化，为此研究者常采用激光预热、感应加热或炉内加热等方法减小温度梯度。

工艺参数的优化与选择，对涂层的界面结合质量与整体性能具有决定性作用。传统的 “试错法” 高度依赖大量实验，成本高、耗时长。机器学习凭借强大的非线性建模与数据分析能力，为高效挖掘工艺参数与性能指标间的复杂映射关系开辟了新路径，可实现参数的智能预测与优化。在激光工艺优化方面，有研究采用反向传播神经网络构建了激光参数与涂层性能的预测模型。有研究利用机器学习辅助优化 TiC 增强复合涂层的激光熔覆工艺，显著提升了涂层的耐磨性能。在材料设计领域，机器学习克服了传统方法耗时耗力、性能难以兼顾的局限，推动了高性能材料的快速开发，在铜合金高强高导设计方面已取得一系列突破。有研究利用机器学习设计了高强高导 Cu-Cr-Ti 合金，抗拉强度达 507 MPa，导电率为 79% IACS。有研究采用迁移学习与贝叶斯优化设计了 Cu-Ti 合金的优化成分，强度达 1107 MPa，导电率约 21% IACS。有研究基于成分 - 工艺 - 性能预测模型设计并实验验证了 Cu-3Ti-0.3Cr-0.15Mg 合金，该合金抗拉强度达 1018 MPa，导电率约 20% IACS，性能与有毒的铍铜合金相当。有研究采用可解释机器学习策略，用铬元素替代C70350 合金（Cu-Ni-Co-Si-Mg）中稀缺的钴元素，新开发的合金抗拉强度达 850 MPa，导电率约 47% IACS，与原合金性能相当。这些研究共同表明，机器学习正推动材料研发从 “经验试错” 向 “数据驱动设计” 的范式转变。

但机器学习模型的预测精度通常与训练数据集的规模密切相关。对于 DED 这类实验复杂、成本极高的工艺，可用于建模的数据极为稀缺，这成为一大难题。在数据有限的条件下，传统工艺优化方法（如实验设计、响应面法）因无法主动引导实验方向而效率低下，难以精准锁定最优工艺窗口。因此，发展适用于小样本场景的智能优化方法，成为推动该领域发展的关键。为应对这一挑战，学界提出并应用了多种机器学习策略。迁移学习通过迁移相关领域的知识缓解数据稀缺问题，但其效果高度依赖源域与目标域的相似性。数据增强技术可在一定程度上扩充数据集，但生成数据的可靠性依赖于底层物理模型的准确性。相比之下，基于高斯过程回归的贝叶斯优化框架因在小样本场景下的理论优势，被认为是更直接高效的解决方案。该框架不仅通过高斯过程回归量化预测不确定性，还通过贝叶斯优化智能平衡探索与利用，从而以最少的实验迭代实现参数空间的高效搜索。

表面强化层与硬质涂层的性能是研究的核心焦点。有研究在铜合金上制备了 Ni-Mn-Si 涂层，最高硬度达 1100 HV，摩擦系数低至 0.19。有研究通过熔覆在铜合金表面制备了 CoCrNiFeTix 高熵合金涂层，发现随 Ti 含量增加，涂层表现出优异的耐磨与耐蚀性能。有研究在 CuCrZr 表面熔覆了钴基合金 / TiC/CaF₂自润滑涂层，界面结合强度优异，微观组织分布均匀，摩擦系数降至 0.19。有研究在铜合金上制备了 Cr/Ti/ 碳纳米管涂层，旨在通过原位生成 TiC 相提升表面性能。钛基复合材料（TMCs）凭借优异的耐磨性、高比强度与良好的高温稳定性，成为 DED 领域极具前景的涂层材料。铜合金在关键工业领域的应用日益拓展，其表面性能提升的需求十分迫切；同时，在追求表面强化的同时，如何最大程度保留铜合金优异的导电与导热性能，仍是核心问题。

因此，本研究提出采用 LP-DED 技术在 CuCrZr 表面制备 8 wt.% TiC/Ti-6Al-4V 强化层，以提升其表面性能。首先，采用高斯过程回归与贝叶斯优化方法对激光功率与扫描速度进行智能优化，建立工艺参数与沉积层剪切强度的非线性预测模型，确定以剪切强度最大化为目标的最优工艺窗口。其次，分析不同工艺参数下制备试样的界面形貌与微观组织，测试 (TiC/Ti-6Al-4V)/CuCrZr 试样的室温导电率与显微硬度。最优工艺参数与机器学习预测结果高度一致，验证了高斯过程回归模型的预测精度。最后，磨损性能测试表明，与基体相比，(TiC/Ti-6Al-4V)/CuCrZr 试样的耐磨性能显著提升。通过机器学习驱动的工艺优化与系统的实验验证相结合，为铜合金表面高性能钛基复合强化层的可控制备提供了高效可靠的方法。

【图文】

实验制备了 TiC 增强的 8 wt.% TiC/Ti-6Al-4V 钛基复合材料。为提升 Ti-6Al-4V 粉末的流动性，将其过筛去除大颗粒后，再与 TiC 粉末混合。Ti-6Al-4V 粉末形貌如图 1 (a) 所示，过筛后粉末粒径分布相对均匀（图 1 (b)），80% 的Ti-6Al-4V 粉末粒径分布在 61~98 μm 之间，球形度高。TiC 颗粒的等效粒径约为 20 μm。为实现两种粉末的均匀混合，采用 V 型混粉机混合 6 h（图 1 (c)）。混合粉末的形貌如图 1 (d) 所示，TiC 颗粒均匀分布在 Ti-6Al-4V 粉末之间，未发生团聚，且混合后 Ti-6Al-4V 粉末仍保持高球形度。为防止混合粉末氧化，将其真空储存。实验前将粉末在 120 ℃下烘干 2 h，保证其在 LP-DED 过程中的流动性。

由于 CuCrZr 对目前广泛使用的波长 1000~1100 nm 的近红外激光反射率极高，会阻碍基体对激光能量的吸收，甚至存在损坏光纤激光器的风险。此外，CuCrZr 导热性优异，激光产生的能量无法在局部集中并达到熔化温度。为提高激光能量利用效率，采用冷喷涂技术改变 CuCrZr 基体的表面状态，如图 2 (a) 所示。冷喷涂设备型号为 PCS-100，以 N₂作为送粉载气，气体温度设置为 700~800℃，气体压力 5 MPa，气体流量 1700 LSM。喷枪垂直于喷涂试样表面，距离 30 mm，移动速度设置为 600 mm/s。冷喷涂所用的不规则 Ti 粉等效粒径为 5~45 μm，作为过渡层，既可以减少激光反射，又能增强钛基复合材料与基体的相容性。

本研究将冷喷涂技术与 LP-DED 技术相结合，提升 CuCrZr 材料的表面强化效果。LP-DED 实验采用配备同轴送粉的 RAYCHAM LDM 16080 系统，系统搭载一台功率 2000 W 的 YLS-2000 光纤激光器，发射波长 1064 nm 的近红外光。LP-DED 过程在充满 Ar 气氛的密封腔室内进行，工艺示意图如图 2 (b) 所示。扫描路径采用往复式，搭接率设置为 40%。CuCrZr 基体尺寸为 50 × 50 × 10 mm（长 × 宽 × 高），扫描路径与制备试样如图 2 (c) 所示。为进一步提升基体与强化层的结合性能，在激光沉积前采用电阻加热板对基体进行预热，预热温度设置为 300 ℃，加热曲线如图 2 (d) 所示。经计算，加热过程中 CuCrZr 基体的平均升温速率为 0.35 ℃/s；实测冷却曲线如图 2 (e) 所示，冷却速率约为 0.06 ℃/s。

图1 粉末形貌与尺寸分布：(a) Ti-6Al-4V 粉末；(b) Ti-6Al-4V 粉末的粒径分布；(c) V 型混粉机；(d) 8 wt.% TiC/Ti-6Al-4V 混合粉末。

图2 工艺示意图：(a) 冷喷涂示意图；(b) LP-DED 示意图；(c) 扫描路径与制备试样；(d) CuCrZr 基体加热过程的温度 - 时间曲线；(e) CuCrZr 基体达到设定温度后的冷却温度 - 时间曲线。

图3 实验与测试流程示意图：(a) 微观组织表征区域及剪切、电阻率、磨损测试试样取样示意图；(b) 剪切强度测试装置与加载方式示意图；(c) 电阻率测试装置示意图；(d) 磨损材料与方法示意图。

图4 12 组 LP-DED 实验参数与剪切强度可视化：(a) 不同 LP-DED 参数下 (TiC/Ti-6Al-4V)/CuCrZr 剪切强度实验数据；(b) 不同 LP-DED 工艺参数对应的激光线能量密度。

图5 GPR 模型优化结果与预测误差可视化：(a) 构建的GPR 响应面；(b) GPR 预测等高线图；(c) 贝叶斯优化过程收敛曲线；(d) 剪切强度预测值与实际值拟合图；(e) 剪切强度预测残差分布图。

图6 模型验证集误差分布图：(a) 训练集与验证集误差对比；(b) LOOCV 验证中相对误差的计数分布图；(c) LOOCV 验证中绝对误差分布图。

图7 激光功率与扫描速度对剪切强度的影响：(a) 剪切强度随激光功率的变化；(b) 剪切强度随扫描速度的变化。

图8 冷喷涂 Ti/CuCrZr 界面的微观组织与成分：(a) 低倍下 Ti/CuCrZr 界面微观组织；(b) 高倍下 Ti/CuCrZr 界面的孔洞缺陷形貌；(c) Cu 元素的 SEM-EDS 分布；(d) Ti 元素的 SEM-EDS 分布。

图9 (TiC/Ti-6Al-4V)/CuCrZr 的界面缺陷：(a-d) 激光功率 p=1400 W，扫描速度 v 分别为150 mm/min 至 300 mm/min；(e-h) 激光功率 p=1500 W，扫描速度 v 分别为150 mm/min 至 300 mm/min；(i-l) 激光功率 p=1600 W，扫描速度 v 分别为150 mm/min 至 300 mm/min。

图10 (TiC/Ti-6Al-4V)/CuCrZr 界面的 XRD 图谱：(I) 35°~40° 的 2θ 区域放大图；(II) 50°~80° 的 2θ 区域放大图。

图11 1400~1600 W 不同功率下 (TiC/Ti-6Al-4V)/CuCrZr 试样的元素分布：(a) 1400 W 制备试样的微观组织；(b-f) 1400 W 制备试样界面的元素分布；(g) 1500 W 制备试样的微观组织；(h-l) 1500 W 制备试样界面的元素分布；(m) 1600 W 制备试样的微观组织；(o-r) 1600 W 制备试样界面的元素分布。

图12 扫描速度 150 mm/min、功率 1400~1600 W 下 (TiC/Ti-6Al-4V)/CuCrZr 界面的形貌：(a) 1400~1600 W 试样示意图；(b) 界面整体形貌；(c) 1400 W 下过渡层与 CuCrZr 界面；(d) 1400 W 下过渡层与 TiC/Ti-6Al-4V 界面；(e) 界面整体形貌；(f) 1500 W 下过渡层与 CuCrZr 界面；(g) 1500 W 下过渡层与 TiC/Ti-6Al-4V 界面；(h) 界面整体形貌；(i) 1600 W 下过渡层与 CuCrZr 界面；(j) 1600 W 下过渡层与 TiC/Ti-6Al-4V 界面。

图13 采用不同激光参数在 CuCrZr 基体上制备的(TiC/Ti-6Al-4V)/CuCrZr 试样的导电率，升降均相对于 CuCrZr 基体测量。

图14 (TiC/Ti-6Al-4V)/CuCrZr 试样的显微硬度：(a) 不同深度处的显微硬度变化；(b) CuCrZr 基体与 (TiC/Ti-6Al-4V) 涂层的显微硬度。

图15 1500 W 制备的 (TiC/Ti-6Al-4V)/CuCrZr 试样的磨损性能：(a) CuCrZr 基体与涂层的摩擦系数随时间变化曲线；(b) CuCrZr 基体与涂层的摩擦系数；(c) CuCrZr 基体与涂层的磨损体积；(d) CuCrZr 基体与涂层的比磨损率。

图16 不同载荷下 CuCrZr 基体磨痕的三维形貌：(a) 20 N 载荷下 CuCrZr 基体；(b) 30 N 载荷下 CuCrZr 基体；(c) 50 N 载荷下 CuCrZr 基体。

图17 不同载荷下 (TiC/Ti-6Al-4V)/CuCrZr 磨痕的三维形貌：(a) 20 N 载荷下 (TiC/Ti-6Al-4V)/CuCrZr；(b) 30 N 载荷下 (TiC/Ti-6Al-4V)/CuCrZr；(c) 50 N 载荷下 (TiC/Ti-6Al-4V)/CuCrZr。

图18 20 N、30 N、50 N 载荷下干摩擦滑动 40 min 后 CuCrZr 基体磨痕的微观组织表征：(a) 20 N 干摩擦滑动载荷下的磨痕形貌；(b) 磨痕局部放大；(c) 磨损表面 Cu 与 O 元素分布；(d) 30 N 干摩擦滑动载荷下的磨痕形貌；(e) 磨痕局部放大；(f) 磨损表面 Cu 与 O 元素分布；(g) 50 N 干摩擦滑动载荷下的磨痕形貌；(h) 磨痕局部放大；(i) 磨损表面 Cu 与 O 元素分布。

图19 20 N、30 N、50 N 载荷下干摩擦滑动 40 min 后 (TiC/Ti-6Al-4V)/CuCrZr 磨痕的微观组织表征：(a) 20 N 干摩擦滑动载荷下的磨痕形貌；(b) 磨痕局部放大；(c) 磨损表面 Cu 与 O 元素分布；(d) 30 N 干摩擦滑动载荷下的磨痕形貌；(e) 磨痕局部放大；(f) 磨损表面 Cu 与 O 元素分布；(g) 50 N 干摩擦滑动载荷下的磨痕形貌；(h) 磨痕局部放大；(i) 磨损表面 Ti 与 O 元素分布。

图20 不同激光线能量密度影响微观组织与性能的机制示意图：(a) 低能量密度对熔池与缺陷微观组织的影响；(b) 适宜能量密度对熔池与微观组织的影响；(c) 高能量密度对熔池与微观组织的影响；(d) 能量密度输入不足对剪切强度的影响；(e) 能量密度输入过高对剪切强度的影响；(f) 能量密度输入不足对导电率的影响；(g) 能量密度输入过高对导电率的影响。

图21 CuCrZr 基体与 (TiC/Ti-6Al-4V)/CuCrZr 的磨损机制示意图：(a) CuCrZr 基体；(b) (TiC/Ti-6Al-4V)/CuCrZr 试样。

【结论】

本研究采用激光粉末直接能量沉积技术在 CuCrZr 表面制备了 8 wt.% TiC/Ti-6Al-4V 复合材料，结合 GPR 与贝叶斯优化的机器学习方法优化工艺参数，并对制备试样的微观组织、导电率与磨损行为进行了表征与分析，主要结论如下：

(1) 采用 GPR 模型优化激光功率与扫描速度，成功预测了剪切强度。预测的最优参数（1510 W，150 mm/min；预测强度 91.7 ± 2.7 MPa）与实验结果（1500 W，150 mm/min；实测强度 94 ± 7 MPa）高度一致。模型预测精度高，决定系数 R²=0.997；经留一交叉验证，R² 为 0.945，平均相对误差为7.3%。

(2) 通过对 LP-DED 制备试样的微观组织分析发现：低能量密度条件下，界面易出现未熔合与孔洞缺陷；能量密度过高则会诱发内部微裂纹，高能量密度下材料内部会产生大量微裂纹。(TiC/Ti-6Al-4V)/CuCrZr 形成三层结构：CuCrZr 基体、Cu-Ti 金属间化合物组成的过渡层与 TiC/Ti-6Al-4V 涂层，实现了 Cu 与 Ti 元素的梯度过渡。过渡层由 βTiCu₄、TiCu₂、Ti₂Cu₃、TiCu 与 Ti₂Cu 组成，同时存在共晶态与树枝晶形态的 TiC 颗粒，对磨损性能具有重要作用。

(3) 在最优参数（1500 W，150 mm/min）下，涂层的电导率保持在约 69% IACS，仅比基体下降 9.7%，体现了良好的导电性保留能力。显微硬度显著提升 570%，主要源于材料内部的析出强化作用，包括析出的 TiC 与原位自生的 Cu-Ti 金属间化合物。

(4) 最优参数制备的涂层磨损体积降低 20% 以上，耐磨性能提升约 43%。研究揭示了磨损机制：CuCrZr 基体以黏着磨损与疲劳磨损为主，伴随显著的塑性变形，主要表现为撕裂、剥落与微裂纹；而涂层的磨损机制以磨粒磨损为主，犁削与微切削作用占主导，同时伴随氧化磨损。制备的涂层显著提升了 CuCrZr 的表面性能，大幅改善了其耐磨性能。

LP-DED 可有效用于在软质铜合金上制备高性能钛基复合涂层，实现耐磨性与导电性的良好平衡，为异质材料的界面结合提供了实用方案。未来工作可通过智能监测与控制，聚焦动态工艺优化与性能定制。同时，尽管 GPR 在小数据场景下具有固有优势，但当前模型的泛化性仍可能受可用数据范围有限、数据稀疏的制约；随着数据量的增加，模型的性能与可靠性有望进一步提升。

【声明】

*以上图文版权归原作者所有，如有侵权请联系删除！

邮箱：copper_proc_res@foxmail.com