印度理工学院研究团队利用机器学习模型预测和优化激光粉末床熔融工艺(LPBF)的熔池特征。该研究发现激光功率和扫描速度是熔池形成的主导因素：较高扫描速度产生更优熔池，而低扫描速度下过高激光功率则导致深匙孔缺陷。团队部署了逻辑回归、决策树、集成学习和全连接神经网络等多种模型，标准神经网络取得最高交叉验证宏F1分数0.978±0.014，加权神经网络对稀有最优熔池类别的召回率达0.967±0.050。研究表明类别加权学习提供了一种面向召回率的策略来识别合适的LPBF工艺窗口，可快速确定最优工艺参数，减少对昂贵试错实验的依赖。该研究为金属增材制造工艺参数的快速优化提供了数据驱动的新路径。