怀卡托大学研究：用热成像加速3D打印金属疲劳测试

工程师在用金属制造部件时，必须清楚材料在什么情况下会失效，而当这种金属是3D打印出来的，问题就变得更复杂。

工程师需要了解的关键指标之一是疲劳：材料在反复加载和卸载过程中的表现，就像反复弯折一枚纸夹，直到它最终断裂。

对于传统金属，工程师已积累了数十年的疲劳性能数据。但3D打印金属会因不同的制造参数而表现各异，工程师需要重新了解每一批新打印材料的性能。

传统的疲劳测试通常需要四到五周时间。怀卡托大学（University of Waikato）博士生Muhammad Omer的研究正在探索，能否通过观察人眼看不到的东西——热量——更快得出有用的结论。

热成像如何捕捉疲劳信号

热成像相机能探测红外辐射，从而观察材料中极微小的温度变化。

当金属被反复加载和卸载时，其温度会发生轻微变化：拉伸时温度下降，压缩时温度上升。超过某个临界点后，这种热弹性响应会变成非线性。

与此同时，当金属从弹性行为转变为塑性行为时，也会开始产生热量。

Omer的研究将这两种效应结合起来，探究它们能否帮助识别与材料疲劳行为相关的转变点。

他还将两种不同的热数据分析方法——谐波分析和热源重建——结合使用。目前的结果显示，这两种技术互为补充、相互支持。

连续加载，大幅缩短测试时间

另一个重要区别在于施加应力的方式。

其他热成像方法是逐步增加应力，仍需要一到两天时间。而通过连续增加应力幅度，测试有可能在大约一小时内完成。

对于从事金属3D打印的行业来说，这种速度可能很有价值。制造商在尝试不同打印方案时，能更快地评估疲劳性能，并据此决定是否沿用某种打印配方。

研究历程

Omer表示，研究刚开始时，他并不知道这个想法是否可行。

其中一项挑战是让疲劳测试机按照设定的加载模式运行。他花了不少时间理解相关理论、制作试样、改进实验并解决早期出现的问题。

研究进行到大约一年半时，他开始看到让他意识到这项研究确有潜力的结果。

“看到两种分析技术在数据中相互支持，是一个‘啊哈’时刻，”他说。“在真正做实验之前，你根本不知道一种理论是否能支持另一种。看到它们确实互相支持，是一个令人自豪的时刻。”

从燃气轮机到热成像研究

Omer对热成像的兴趣早在博士研究之前就已萌生。

他在巴基斯坦完成学士学位后，曾在Siemens Energy工作，负责维修和保养用于发电的燃气轮机，这段经历促使他转向研发工作。

之后他在瑞典完成硕士学位，回到巴基斯坦，在该国国家航天局SUPARCO工作，并继续积累热成像方法方面的经验。

2019年末，他联系上了现在的怀卡托大学导师Dr Rachael C. Tighe，但新冠疫情（Covid-19）打乱了他赴新西兰的计划。怀卡托大学和他的导师一直为他保留博士研究机会和奖学金，直到他能够启程。

他目前预计于2027年6月完成博士学位。

AI时代的科研

在探索未知领域的过程中，Omer也开始思考人工智能（AI）时代的科研意义。

他说：“AI可以帮我们寻找答案，但它依赖的是人类已经创造出来的知识。我们仍然需要研究者愿意提出新问题、开展实验，产生目前还不存在的证据。”

他的研究正是始于一个尚无答案的问题：金属疲劳过程中微小的温度变化能告诉我们什么。要找到答案，仍需要实验、坚持，并最终创造出可供他人继续构建的新知识。