2026年9月5日，ebiotrade 转载《Computational Materials Science》刊出的论文《Towards real-time prediction of thermal history and hardness in laser powder bed fusion using deep learning》；该研究提出基于物理信息的深度学习替代模型，将激光粉末床熔融的热历史与硬度预测推进到实时量级。

模型采用LSTM 序列到序列网络，训练数据取自高保真多尺度有限元仿真，其中包含 Abaqus、Goldak 双椭球热源与 JMAK 相变模型；输入扫描坐标、激光功率、扫描速度、层厚等物理派生特征，结合热历史与回火的耦合关系，对调质钢 AISI 4140 / 42CrMo4 逐点自回归输出温度序列，测试集温度误差为 RMSE 约 2.6±1.2 K，再经 Hollomon–Jaffe 关系换算局部维氏硬度，打通了工艺—组织—性能的预测链路。

原本以小时计的有限元热场计算被压缩进实时区间。工艺窗口的筛选因此从“打一件、测一件”转向“算一件、验一件”；粉末批次波动如何映射到熔池热历史与最终硬度，也首次有了可在线运行的量化工具，为 LPBF 的过程控制提供了可嵌入的替代模型底座。

对粉末采购商的价值：① 以实时热历史预测为参照，按牌号与批次为客户划定工艺窗口，把批次一致性转化为可验证的采购理由；② 与粉末厂商共建「粉末特性-热历史-硬度」数据库，以此作为与模具钢、航空结构件客户合作的关键条件；③ 在工艺开发阶段用仿真替代部分试打印，直接压低调质钢粉末的试错消耗。