广东矩曜智能科技有限公司 · 激光软件与工艺工程
23°07′N 113°15′E · 中国广州 · PURE STATIC MONOGRAPH
← 返回研究列表
材料与工艺2026-11-02· 约 9 分钟

用 100 组实验教神经网络预测飞秒刻槽:测试集 R≈0.95,但热影响区只是光学代理

2 输入、2 输出、2 隐层(10+5 神经元):在功率 1–10 W、扫描速度 10–100 mm/s 范围内同时预测槽宽与变色带宽度,误差 11–15%,且只在该参数空间内插有效。

飞秒激光在铝箔上刻出的单条刻槽显微照片:黑色槽体两侧为变色带,图中标注槽宽(Groove width)与热影响区代理宽度(HAZ width),标尺 100 μm;该槽在 10 W、80 mm/s 下加工,实测槽宽 71 μm、HAZ 代理宽度 120 μm(Tański 等人 Materials 2026 图 2,CC BY 4.0;仅作尺寸适配)
COVER飞秒激光在铝箔上刻出的单条刻槽显微照片:黑色槽体两侧为变色带,图中标注槽宽(Groove width)与热影响区代理宽度(HAZ width),标尺 100 μm;该槽在 10 W、80 mm/s 下加工,实测槽宽 71 μm、HAZ 代理宽度 120 μm(Tański 等人 Materials 2026 图 2,CC BY 4.0;仅作尺寸适配)
核心研究问题 · CORE QUESTION

核心问题:只用功率和扫描速度两个输入,一个小神经网络能不能同时预测飞秒刻槽的槽宽和热影响范围——而且预测得比简单回归更好?

摘要 · ABSTRACT

Tański 等人(波兰科学院流体机械研究所、索非亚技术大学、格丁尼亚海事大学)用飞秒激光在 200 μm 厚铝 3003 箔上刻槽:1030 nm、500 fs、200 kHz、光斑约 100 μm、最大平均功率 10 W(单脉冲能量 50 μJ,样品表面最大脉冲通量 0.6 J/cm²),功率 1–10 W(步长 1 W)× 扫描速度 10–100 mm/s(步长 10 mm/s)组成 100 组实验。光学显微镜在每条槽上取 10 个位置测槽宽,并把槽两侧可见变色带的总宽度作为热影响区(HAZ)的光学代理宽度。一个 2-10-5-2 前馈神经网络(70% 训练、15% 验证、15% 测试,Levenberg–Marquardt 训练)同时预测这两个输出:测试集综合相关系数 R≈0.95(槽宽 0.88、HAZ 代理宽度 0.96),平均绝对百分比误差槽宽约 11%、HAZ 代理宽度约 15%,优于同数据集的线性回归(0.74/0.66)与二阶多项式回归(0.88/0.81)。本文核对实验网格、网络结构、误差结构与对照模型,梳理“功率升、速度降 → 槽变宽、热影响变大”的非线性关系,并说明该模型不能直接搬到别的材料、别的激光器或参数范围之外。封面图为原文图 2(CC BY 4.0,仅作尺寸适配)。

01 / 为什么刻槽预测比打孔难

飞秒加工常被说成“冷加工”,但这个说法需要打折:脉冲虽短,能量沉积却涉及非线性吸收、传热、相变、等离子体形成与材料喷溅同时发生,解析模型很难把这些过程一次算准,逐点试错实验又费时费力。机器学习在这里的吸引力正在于此——不求解全部物理,只从参数到结果建立可用的映射。

此前多数超快激光机器学习研究做的是打孔:单点、多脉冲、几何相对简单。本文的缺口在连续刻槽:光束一边走一边连续去除材料,热积累与材料流动沿槽长方向演化,热效应比孤立孔更复杂;而且多数研究只关心几何精度,忽略了热损伤。本文把两个输出摆在一起——槽宽(要加工的几何)和 HAZ 代理宽度(要控制的热代价)——这正是工艺窗口优化真正需要的成对指标:只看槽宽,会选出热损伤最大的参数;只看热影响,又可能得不到想要的去除量。

另一个诚实的前提是数据量:100 组实验在机器学习语境里算小数据集。作者没有假装数据很多,而是把“小数据下简单网络是否够用”本身作为研究问题,并用交叉验证与对照模型来回答,而不是只报一个漂亮的相关系数。

02 / 实验:100 组数据的网格是怎样搭出来的

材料选铝 3003 箔,厚 200 μm,裁成 10 块 50 mm × 50 mm 试样,异丙醇清洗后,每块刻 10 条长 5 mm 的平行槽。变量只有两个:平均功率 1–10 W(步长 1 W,每块试样一个功率),扫描速度 10–100 mm/s(步长 10 mm/s,每条槽一个速度),正好 10 × 10 = 100 组。激光器为 Light Conversion Pharos:500 fs、200 kHz、1030 nm,最大平均功率 10 W 对应单脉冲能量 50 μJ,经 100 mm 远心 F-theta 镜聚焦后光斑约 100 μm,样品表面最大脉冲通量 0.6 J/cm²。功率稳定性优于 0.5%,扫描速度精度优于 0.2%,作者认为这两项误差在本研究中可忽略。

测量方法决定了这篇解读的表述边界。槽宽用 Nikon Eclipse TS100 金相显微镜测量,定义为槽表面两侧壁之间的距离;每条槽沿长度取 10 个位置,取平均后四舍五入到微米,作为该组数据的目标值,显微成像与测量的空间分辨率约 1 μm。槽深没有纳入研究:作者说明,常规光学方法难以看清槽内壁,无法可靠测深,因此本研究只做表面槽形分析——引用时不要把这里的“槽宽预测”说成“槽形完整重建”。

HAZ 的定义更需要小心。作者用的不是显微组织意义上的热影响区,而是“光学确定的 HAZ 代理宽度”:槽两侧可见变色带的外边界之间的总宽度,包含槽本身;当槽边之外检测不到变色时,该值按约定等于槽宽。变色是热效应的可见指示,但光学表面观察不能完整评价亚表面的组织变化——变色带宽、显微组织热影响区、力学性能退化区是三个不同的量,本文的模型只预测第一个。

两个端点数据先建立直觉。最低功率、最高速度(1 W、100 mm/s)得到最小槽宽 37 μm,且槽边之外无可见变色——这时槽宽小于约 100 μm 的光斑直径,作者用高斯光束解释:只有光束中心超过铝的烧蚀阈值(约 100 mJ/cm²)才去除材料,其余能量耗散到周围,但不足以形成明显的热影响。最高功率(10 W)时,100 mm/s 下槽宽 72 μm、HAZ 代理宽度 110 μm,10 mm/s 下槽宽 112 μm、HAZ 代理宽度 140 μm:速度越慢,单位长度沉积能量越多,去除与热扩散同时增强。封面图就是 10 W、80 mm/s 的实例:槽宽 71 μm,HAZ 代理宽度 120 μm,槽边均匀、变色边界则不规则,作者归因于材料结构不均匀与烧蚀等离子体二次加热导致的热扩散不均。

03 / 模型:2-10-5-2 小网络为什么够用

网络结构可以一句话说清:2 个输入(平均功率、扫描速度)→ 隐层 1(10 个神经元,双曲正切 S 型传递函数)→ 隐层 2(5 个神经元,同样双曲正切 S 型)→ 2 个输出(槽宽、HAZ 代理宽度,线性传递函数),MATLAB R2021b 神经网络工具箱实现,前馈反向传播,Levenberg–Marquardt 训练算法,均方误差为性能函数,输入输出做默认 min–max 归一化,权值与偏置用 Nguyen–Widrow 方法初始化。

训练安排同样克制:100 条数据随机分为 70% 训练、15% 验证、15% 测试;验证集用于监控训练并确定早停点,测试集不参与权值更新。训练最多 1000 回合、最小性能梯度 1.0 × 10⁻⁷、连续 6 次验证无改善即停止;实际在第 11 回合达到最小验证均方误差,第 17 回合后停止,并保留第 11 回合的网络参数。训练、验证、测试误差相当,未出现明显发散——作者把这一点作为“没有严重过拟合”的证据,但 15 条测试数据的规模本身限制了这个结论的强度。

为什么不做大网络?作者的理由是小数据集上的过拟合风险:结构越复杂,越容易记住 100 条数据的噪声而不是学到参数到结果的趋势。选型过程是试出来的——比较了不同隐层数、神经元数与传递函数组合后,在预测性能与结构简单之间取平衡,最终定为 2-10-5-2。这个“够用就好”的选型逻辑,对工艺软件有直接参考价值:预测模块不一定越大越好,关键是结构复杂度要与实验数据的量级匹配,并且留出验证与测试的独立性。

04 / 结果与对照:R=0.95 背后的误差结构

先报主结果。测试集综合相关系数 R≈0.95,分输出看槽宽 0.88、HAZ 代理宽度 0.96;验证集综合 R≈0.96(槽宽 0.89、HAZ 代理宽度 0.93),训练集综合 R≈0.96。五折交叉验证给出 R = 0.94 ± 0.02、MAPE 8.01 ± 0.84%,与单次划分的结果一致,说明结论不只依赖某一次随机划分。

再看误差的绝对量级——这比相关系数更能指导工程使用。槽宽预测的平均绝对百分比误差约 11%,HAZ 代理宽度约 15%;平均带符号误差分别为约 −3% 与 −5%,即模型有轻微低估倾向。残差对功率和速度均无明显的系统性依赖,作者认为这说明没有系统性偏差;但误差同时来自三处且无法拆分:模型近似误差、烧蚀过程本身的波动、测量不确定性(槽边不规则、变色边界模糊)。换句话说,11–15% 不是“模型不准”的单一标签,而是整个实验-测量-建模链条的综合不确定度。

对照模型回答了“为什么要用神经网络”。同数据集上,线性回归的平均相关系数为槽宽 0.74、HAZ 代理宽度 0.66;二阶多项式回归为 0.88 与 0.81,均低于神经网络的 0.95。作者的结论是:功率、速度与两个输出之间的关系是非线性的,线性与多项式函数都不能完整描述,因此神经网络的胜出不是参数堆砌的结果,而是关系本身的非线性决定的。横向比较也保持了分寸:作者承认有文献模型精度更高(例如某 QFN 切割研究测试误差约 1.5%,但其输入变化范围有限、极端值少),也有更低的(某纳米激光打孔 HAZ 预测 R 约 0.52 与 0.85),本模型处于同类实测数据模型的合理水平。

05 / 对工艺软件的启发与边界

对激光加工软件设计有三点直接启发。第一,预测目标要成对:槽宽与热影响代理宽度同时输出,才能在“去除够不够”与“热损伤大不大”之间做权衡,找到低热冲击的工艺条件;只预测几何的模型会在不知不觉中选出热代价最高的参数。第二,输入要克制、输出要可测:两个输入、两个光学可测输出、100 组实验就能做出可用的内插模型——这对中小批量工艺开发是现实的路线:先做小网格实验建模型,再用模型筛参数、减少试错,而不是一开始就追求大数据。第三,误差要随预测一起交付:11–15% 的误差带、轻微低估倾向、内插有效的适用范围,都应该成为参数推荐界面的组成部分,而不是藏在论文里的脚注。

边界声明(本文与原文一致,引用时请保留)。许可与版本:原文为开放获取,CC BY 4.0,本文为原创解读与短引,不复制原文图表之外的实验数据表;封面图为原文图 2,仅作尺寸适配,来源与许可见图注。实验边界:仅铝 3003 箔(200 μm)、仅一台 1030 nm / 500 fs / 200 kHz 激光系统、仅功率 1–10 W 与速度 10–100 mm/s 的网格内,模型为内插工具;换材料、换激光器、超出参数范围均需重新实验验证,必要时重训。测量边界:HAZ 宽度是光学变色代理宽度,不是显微组织热影响区宽度;槽深未测量,模型不预测深度;每组目标值为 10 个位置的平均,单点波动未建模。统计边界:测试集仅 15 条、五折交叉验证 MAPE 8.01 ± 0.84%,相关系数高不等于因果成立,也不等于在生产波动下同样稳定。矩曜尚未在自有设备上复验。本文是研究解读,不构成工艺配方承诺。

原始论文出处 · PRIMARY SOURCE DOSSIER

论文标题
Machine Learning-Based Prediction of Ablation Groove Geometry and Heat-Affected Zone Formation in Femtosecond Laser Micromachining of Aluminum
论文作者
Mateusz Tański, Robert Barbucha, Marek Kocik, Todor Petrov, Mostefa Mohamed-Seghir
发表期刊
Materials, 2026, Vol. 19, Issue 14, 3028
发表时间
2026-07-14
DOI
10.3390/ma19143028
许可协议
Creative Commons Attribution 4.0 International (CC BY 4.0)
原文链接
访问原始论文 ↗