近日多伦多大学 (University of Toronto, UofT) 材料科学与工程系邹宇Yu Zou教授团队联合英国伦敦大学学院University College London, UCLPeter D. Lee教授团队以及加拿大英属哥伦比亚大学University of British Columbia, UBCXiaoliang Jin教授在增材制造领域顶刊《Additive Manufacturing》发表重要综述文章。研究以Directed energy deposition additive manufacturing: microstructure and composition engineering for high-performing metallic materials为题系统归纳并剖析了利用定向能量沉积DED技术实现下一代高性能金属材料的四大核心策略为材料科学界和工业界提供了全面的前沿参考。本期谷·专栏将分享该综述文章的亮点内容。论文链接https://doi.org/10.1016/j.addma.2026.105240第一作者Xiao Shang 尚笑通讯作者Yu Zou 邹宇单位多伦多大学材料科学与工程系邮箱mse.zouutoronto.ca,xiao.shangmail.utoronto.ca研究背景与动机现代工业对金属材料提出了前所未有的挑战要求其不仅需要优越的力学性能还需兼具热、磁、电、生物相容性等多功能特性。然而传统制造工艺难以在不增加重量、复杂连接或高额成本的前提下同时满足上述需求。究其根本材料的宏观性能是其微观结构与化学成分的综合体现涉及晶界、晶粒取向、相组成等多尺度特征。因此精准调控微结构与成分是实现材料性能飞跃的根本途径。增材制造Additive manufacturing, AM尤其是定向能量沉积Directed energy deposition, DED技术凭借其多材料进料的灵活性和辅助硬件的易集成性为实现正确位置打印正确材料和独特结构实现独特功能提供了理想平台。四大核心策略本综述将DED微结构与成分工程系统归纳为四大类别1)非连续功能梯度材料DFGMs2)连续功能梯度材料CFGMs3) 高通量原位合金4)外场辅助微观结构调控如图1所示。每类均从力学/功能性能、设计与建模策略以及当前挑战三个维度展开论述。图1 综述涵盖的四大类高性能金属材料DED制造策略示意图(a) 非连续功能梯度材料DFGMs(b) 连续功能梯度材料CFGMs© 高通量原位合金(d) 外场辅助微观结构调控。一、非连续功能梯度材料DFGMsDFGMs通过清晰的材料边界在同一构件中集成多种材料实现多功能化。自然界中人类牙齿、螳螂虾附肢和多刺鱼骨针等均体现了DFGM结构的精妙设计逻辑。借助DED技术研究人员已实现包括层状DFGM、体素化DFGM等多种结构通过诸如约束颈缩共变形图2、异质变形诱导HDI硬化以及相变诱导塑性TRIP等机制突破了传统强度-塑性权衡限制。图2 DFGMs以及其力学性能提升及强韧化机制示例(a) 层状DFGM制备工艺(b) 限制颈缩协同变形强化机理以及 © and (d) 其拉伸断口形貌对比。DFGMs不仅具有出色的结构功能还可以展示出超越单一材料体的非力学特性例如QR码信息编码利用不同钢种在化学腐蚀或磁粉检测下的差异响应实现隐性信息写入为高净值零部件溯源和防伪提供全新思路图3。图3 DFGMs的非力学多功能特性-QR码信息编码的展示、化学显影及磁粉显影结果。二、连续功能梯度材料CFGMsCFGMs通过成分或微观结构的连续梯度变化实现相邻材料间的平滑过渡有效避免了界面应力集中与裂纹萌生。CFGMs的设计策略包括基于CALPHAD的成分路径规划以及计算流体动力学CFD模拟熔池内的成分演化结合机器学习方法可进一步提升设计效率与预测精度。图4 通过DED制造的CFGM示意以及其逐步变化的力学性能。三、高通量原位合金原位合金是一种在DED过程中实时混合多种粉末以创制新合金的策略。与传统弧熔或粉末冶金相比DED可以实现各种元素或材料配比的精准调控在抑制偏析、稳定非平衡相以及通过工艺参数调控凝固行为方面具有独特优势使其成为高通量新合金开发的理想平台。图5 基于DED的高通量原位合金化示意多粉末料斗供料在DED平台上实现多成分组合的高通量合成与表征。四、外场辅助微观结构调控通过在DED过程中施加磁场、超声场、热场或变形场等外部物理场可对熔池动力学和凝固行为进行实时调控从而实现晶粒细化、成分均匀化以及特定织构的形成。图6 各类外场辅助DED工艺示意(a) 磁场辅助MF-DED(b) 振动场辅助VF-DED© 热场辅助TF-DED(d) 变形场辅助DF-DED。设计与建模策略该综述文章系统梳理了面向高性能金属材料设计的建模方法涵盖从传统经验式仿生设计方法CALPHAD热力学计算到前沿机器学习方法的完整技术谱系。其中CALPHAD方法可预测多组元体系的相平衡与成分路径为CFGM设计提供热力学指导。计算流体动力学CFD则被广泛用于模拟DED熔池的温度场、流场以及成分分布其结果与实验观测高度吻合。有限元分析FEA方法因其高速高效的特点被用于模拟残余应力行为和多材料打印过程中的熔合、蒸发与混合。值得一提的是机器学习正在成为DED材料开发的重要驱动力。从工艺参数优化、性能预测代理模型到基于多目标优化算法的加速逆向设计数据驱动方法显著提升了新材料开发的效率与成功率(图7)。图7 机器学习在DED高性能材料工程中的应用示例基于深度学习与遗传算法的工艺参数优化框架AIDED可以将传统基于试错的工艺参数优化高效提升至仅数小时。挑战与展望综述文章指出当前DED微结构与成分设计调控仍面临来自工艺、结构和性能三个层面的系统性挑战在工艺层面Process多材料3D打印过程中的送料精度与同步性控制、高维工艺参数空间的优化效率以及外场与打印过程的耦合机理均亟待深入研究。在结构层面(Structure)多材料界面处的高梯度残余应力和热膨胀系数失配诱发的开裂与翘曲是影响构件可靠性的重要因素。在性能层面(Property)材料性能对局部微观结构特征的高度敏感性、跨梯度的精确性能预测工具的缺乏以及材料属性如强度-导电性等多性能之间的固有权衡仍制约着设计空间的充分利用。图8 性能层面挑战示例PH17-4/SS316L DFGM界面微观结构表征以及材料微观结构差异。未来展望展望未来综述文章提出了推动DED高性能金属材料进一步发展的三大互联方向1.智能化加工Innovative Processing发展具备实时反馈与自适应控制能力的智能DED系统集成同步辐射X射线成像、高速光学诊断等原位表征手段实现熔池行为的精准监控与调控。2.精准建模Accurate Modelling构建涵盖热力学、流体动力学与固态演变的多物理耦合、多尺度模拟框架提升对成分梯度和外场影响下微结构演化的预测能力。3.机器学习Machine Learning开发基于实验与仿真联合数据的高精度代理模型建立逆向设计闭环利用大语言模型整合多源知识加速材料高通量高效设计的实现。图9 DED微结构与成分工程的未来发展路线图智能化加工、精准建模与机器学习三大方向协同驱动高性能金属材料的可靠制造。上述三个方向的协同推进将使DED平台逐步走向自适应甚至自主运行实现工艺控制与性能目标的确定性导航最终将DED确立为下一代高性能金属材料制造的强大且可扩展的核心路线。总结多伦多大学的这篇综述以过程-结构-性能P-S-P关系为核心视角系统整合了DED领域在功能梯度材料、原位合金化以及外场辅助微管结构设计调控四个维度的最新进展。通过兼顾力学与多功能特性的综合分析以及涵盖高通量实验和机器学习的前沿建模方法该综述不仅是科研人员的重要参考也为工业界探索DED技术的规模化应用提供了坚实的理论与实践指导。研究团队主页
多伦多大学邹宇团队 l 增材制造高性能金属材料微结构与成分设计
近日多伦多大学 (University of Toronto, UofT) 材料科学与工程系邹宇Yu Zou教授团队联合英国伦敦大学学院University College London, UCLPeter D. Lee教授团队以及加拿大英属哥伦比亚大学University of British Columbia, UBCXiaoliang Jin教授在增材制造领域顶刊《Additive Manufacturing》发表重要综述文章。研究以Directed energy deposition additive manufacturing: microstructure and composition engineering for high-performing metallic materials为题系统归纳并剖析了利用定向能量沉积DED技术实现下一代高性能金属材料的四大核心策略为材料科学界和工业界提供了全面的前沿参考。本期谷·专栏将分享该综述文章的亮点内容。论文链接https://doi.org/10.1016/j.addma.2026.105240第一作者Xiao Shang 尚笑通讯作者Yu Zou 邹宇单位多伦多大学材料科学与工程系邮箱mse.zouutoronto.ca,xiao.shangmail.utoronto.ca研究背景与动机现代工业对金属材料提出了前所未有的挑战要求其不仅需要优越的力学性能还需兼具热、磁、电、生物相容性等多功能特性。然而传统制造工艺难以在不增加重量、复杂连接或高额成本的前提下同时满足上述需求。究其根本材料的宏观性能是其微观结构与化学成分的综合体现涉及晶界、晶粒取向、相组成等多尺度特征。因此精准调控微结构与成分是实现材料性能飞跃的根本途径。增材制造Additive manufacturing, AM尤其是定向能量沉积Directed energy deposition, DED技术凭借其多材料进料的灵活性和辅助硬件的易集成性为实现正确位置打印正确材料和独特结构实现独特功能提供了理想平台。四大核心策略本综述将DED微结构与成分工程系统归纳为四大类别1)非连续功能梯度材料DFGMs2)连续功能梯度材料CFGMs3) 高通量原位合金4)外场辅助微观结构调控如图1所示。每类均从力学/功能性能、设计与建模策略以及当前挑战三个维度展开论述。图1 综述涵盖的四大类高性能金属材料DED制造策略示意图(a) 非连续功能梯度材料DFGMs(b) 连续功能梯度材料CFGMs© 高通量原位合金(d) 外场辅助微观结构调控。一、非连续功能梯度材料DFGMsDFGMs通过清晰的材料边界在同一构件中集成多种材料实现多功能化。自然界中人类牙齿、螳螂虾附肢和多刺鱼骨针等均体现了DFGM结构的精妙设计逻辑。借助DED技术研究人员已实现包括层状DFGM、体素化DFGM等多种结构通过诸如约束颈缩共变形图2、异质变形诱导HDI硬化以及相变诱导塑性TRIP等机制突破了传统强度-塑性权衡限制。图2 DFGMs以及其力学性能提升及强韧化机制示例(a) 层状DFGM制备工艺(b) 限制颈缩协同变形强化机理以及 © and (d) 其拉伸断口形貌对比。DFGMs不仅具有出色的结构功能还可以展示出超越单一材料体的非力学特性例如QR码信息编码利用不同钢种在化学腐蚀或磁粉检测下的差异响应实现隐性信息写入为高净值零部件溯源和防伪提供全新思路图3。图3 DFGMs的非力学多功能特性-QR码信息编码的展示、化学显影及磁粉显影结果。二、连续功能梯度材料CFGMsCFGMs通过成分或微观结构的连续梯度变化实现相邻材料间的平滑过渡有效避免了界面应力集中与裂纹萌生。CFGMs的设计策略包括基于CALPHAD的成分路径规划以及计算流体动力学CFD模拟熔池内的成分演化结合机器学习方法可进一步提升设计效率与预测精度。图4 通过DED制造的CFGM示意以及其逐步变化的力学性能。三、高通量原位合金原位合金是一种在DED过程中实时混合多种粉末以创制新合金的策略。与传统弧熔或粉末冶金相比DED可以实现各种元素或材料配比的精准调控在抑制偏析、稳定非平衡相以及通过工艺参数调控凝固行为方面具有独特优势使其成为高通量新合金开发的理想平台。图5 基于DED的高通量原位合金化示意多粉末料斗供料在DED平台上实现多成分组合的高通量合成与表征。四、外场辅助微观结构调控通过在DED过程中施加磁场、超声场、热场或变形场等外部物理场可对熔池动力学和凝固行为进行实时调控从而实现晶粒细化、成分均匀化以及特定织构的形成。图6 各类外场辅助DED工艺示意(a) 磁场辅助MF-DED(b) 振动场辅助VF-DED© 热场辅助TF-DED(d) 变形场辅助DF-DED。设计与建模策略该综述文章系统梳理了面向高性能金属材料设计的建模方法涵盖从传统经验式仿生设计方法CALPHAD热力学计算到前沿机器学习方法的完整技术谱系。其中CALPHAD方法可预测多组元体系的相平衡与成分路径为CFGM设计提供热力学指导。计算流体动力学CFD则被广泛用于模拟DED熔池的温度场、流场以及成分分布其结果与实验观测高度吻合。有限元分析FEA方法因其高速高效的特点被用于模拟残余应力行为和多材料打印过程中的熔合、蒸发与混合。值得一提的是机器学习正在成为DED材料开发的重要驱动力。从工艺参数优化、性能预测代理模型到基于多目标优化算法的加速逆向设计数据驱动方法显著提升了新材料开发的效率与成功率(图7)。图7 机器学习在DED高性能材料工程中的应用示例基于深度学习与遗传算法的工艺参数优化框架AIDED可以将传统基于试错的工艺参数优化高效提升至仅数小时。挑战与展望综述文章指出当前DED微结构与成分设计调控仍面临来自工艺、结构和性能三个层面的系统性挑战在工艺层面Process多材料3D打印过程中的送料精度与同步性控制、高维工艺参数空间的优化效率以及外场与打印过程的耦合机理均亟待深入研究。在结构层面(Structure)多材料界面处的高梯度残余应力和热膨胀系数失配诱发的开裂与翘曲是影响构件可靠性的重要因素。在性能层面(Property)材料性能对局部微观结构特征的高度敏感性、跨梯度的精确性能预测工具的缺乏以及材料属性如强度-导电性等多性能之间的固有权衡仍制约着设计空间的充分利用。图8 性能层面挑战示例PH17-4/SS316L DFGM界面微观结构表征以及材料微观结构差异。未来展望展望未来综述文章提出了推动DED高性能金属材料进一步发展的三大互联方向1.智能化加工Innovative Processing发展具备实时反馈与自适应控制能力的智能DED系统集成同步辐射X射线成像、高速光学诊断等原位表征手段实现熔池行为的精准监控与调控。2.精准建模Accurate Modelling构建涵盖热力学、流体动力学与固态演变的多物理耦合、多尺度模拟框架提升对成分梯度和外场影响下微结构演化的预测能力。3.机器学习Machine Learning开发基于实验与仿真联合数据的高精度代理模型建立逆向设计闭环利用大语言模型整合多源知识加速材料高通量高效设计的实现。图9 DED微结构与成分工程的未来发展路线图智能化加工、精准建模与机器学习三大方向协同驱动高性能金属材料的可靠制造。上述三个方向的协同推进将使DED平台逐步走向自适应甚至自主运行实现工艺控制与性能目标的确定性导航最终将DED确立为下一代高性能金属材料制造的强大且可扩展的核心路线。总结多伦多大学的这篇综述以过程-结构-性能P-S-P关系为核心视角系统整合了DED领域在功能梯度材料、原位合金化以及外场辅助微管结构设计调控四个维度的最新进展。通过兼顾力学与多功能特性的综合分析以及涵盖高通量实验和机器学习的前沿建模方法该综述不仅是科研人员的重要参考也为工业界探索DED技术的规模化应用提供了坚实的理论与实践指导。研究团队主页
