一项基于三维卷积神经网络（3D-CNN）的多模态数据融合模型近日被开发用于预测激光粉末床熔融（LPBF）增材制造Ti-6Al-4V合金的疲劳寿命，该研究由Jianrui Zhang等学者发表于《International Journal of Fatigue》。该模型通过将感兴趣区域的三维缺陷体素与一维模态数据（包括工艺参数、力学性能及加载条件）进行拼接，实现了文本与图像属性的跨模态协同建模，从而完成端到端的疲劳寿命预测。为验证性能，研究团队还构建了基于缺陷特征的深度神经网络作为对比基线，结果显示多模态模型在预测精度上显著更优。增材制造部件的疲劳性能受多种相互依赖因素影响，传统方法难以精准预测；该研究基于专家知识定义了九种缺陷特征描述符，并利用SHAP方法量化了不同缺陷特征对疲劳寿命的影响。此项工作为存在微观缺陷的增材制造零件建立了一种可扩展的可靠性评估范式，有望推动金属3D打印在航空航天等关键领域的疲劳寿命预测技术迈向更高精度与智能化水平。