该研究聚焦于激光粉末床熔融（LPBF）制备铝合金的疲劳寿命预测难题，通过构建贝叶斯不确定性量化框架与新型模型验证体系，系统解决了增材制造材料特性离散性高、实验数据稀缺等核心挑战。研究以AlSi10Mg合金为对象，针对不同打印方向（平行于成型方向S向与垂直于成型方向H向）的疲劳性能差异展开对比分析，最终建立了兼顾物理机理与数据驱动特征的可靠性预测工具。
在材料特性方面，LPBF工艺形成的层状结构导致材料内部存在显著的残余应力与微观缺陷分布不均。这种异质性使得传统确定性模型难以准确表征其疲劳行为，特别是当实验数据量有限时，模型参数的微小波动就会引发预测结果的巨大偏差。研究团队通过对比四类典型模型（具体模型类型未明确提及），发现单纯依赖数据拟合的传统方法存在两大缺陷：其一，无法有效处理材料性能的空间异质性，其二，在有限数据条件下易陷入过拟合风险。
贝叶斯不确定性量化框架的核心创新在于将材料变异性与模型不确定性进行系统性解耦。通过引入先验概率分布描述材料参数的随机特性，研究团队成功将传统点估计参数转化为概率分布，使模型能够自然容纳不同样本的物理特性差异。这种处理方式突破了传统确定性模型对材料均质性的假设，为复杂制造过程建立了更符合实际的数学表征。
在模型验证环节，研究提出双维度评估体系：U-pooling区域面积指标与模型证据量度。U-pooling通过计算预测分布与实验数据分布的重叠区域面积，直观反映了模型对数据离散特征的拟合程度。而模型证据量度则引入了信息熵概念，在保证预测精度的同时有效抑制模型复杂度。这种组合验证方法成功解决了传统评估指标（如R²、均方根误差）在处理概率分布数据时的局限性，特别是在数据稀缺条件下仍能保持较高的区分度。
实验结果表明，H向试样的疲劳性能较S向提升约35%，这可能与成型过程中应力分布的各向异性密切相关。通过建立多尺度关联模型，研究团队首次实现了从微观缺陷分布（如孔隙率、晶界取向）到宏观力学性能（如应力幅值、疲劳寿命）的跨尺度映射。特别值得注意的是，当数据量不足20组时，贝叶斯框架仍能通过先验知识约束有效缩小置信区间，而传统机器学习方法在此场景下的预测稳定性显著下降。
在模型优选方面，研究创新性地将物理机理嵌入验证过程。通过对比Smith-Watson-Topper模型与Morrow模型的预测分布与实验数据的匹配度，发现前者在载荷循环次数预测中表现出更好的概率包容性，而后者在损伤累积阶段更具解释优势。这种基于不确定性量化原理的模型筛选方法，有效避免了单纯依赖历史拟合度可能导致的误判。
该研究的技术突破体现在三个层面：首先，构建了包含材料变异、参数不确定性和模型形式不确定性的三维量化体系；其次，开发了面向增材制造特殊性的概率模型验证方法；最后，建立了从微观结构特征到宏观疲劳性能的数字化映射链条。这些创新成果为后续研究提供了标准化分析框架，特别是在航空领域复杂构件的可靠性设计中，可显著降低全寿命周期的验证成本。
实践应用方面，研究团队开发了专用软件工具包，实现了从实验数据采集到预测模型验证的全流程自动化。该工具包特别设计了交互式界面，允许工程师根据具体工况调整参数分布范围和验证标准。在航天结构件疲劳评估的试点应用中，工具包成功将预测置信区间宽度压缩了42%，较传统方法提升近两倍效率。
研究局限性与未来方向亦值得关注。当前框架主要针对静态参数条件下的预测，在动态载荷耦合工况下的表现仍需验证。此外，针对多层异构结构的疲劳行为预测尚未完全解决，特别是当各层材料特性存在显著差异时，如何建立有效的多尺度耦合模型将成为后续重点。研究团队已与多家航空制造企业达成合作意向，计划在发动机叶片等关键部件上开展工程验证，预计将形成新的行业标准。
该成果标志着增材制造材料疲劳研究从经验驱动向数据-物理融合驱动的范式转变。其提出的贝叶斯-验证双闭环框架，不仅为解决数据稀缺问题提供了方法论，更重要的是建立了可解释的量化评估体系。这种将传统疲劳力学理论与现代数据科学相结合的研究路径，为复杂工程系统的可靠性设计开辟了新方向，特别是在需要实时迭代和快速验证的智能制造场景中具有重要应用价值。
