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。

美国金属粉末技术公司DSH Technologies推出DSH Advantage月度会员计划，为金属零件制造商提供冶金专业知识、工艺控制和实验室服务的直接访问渠道。该计划瞄准粉末冶金生产中良率不稳定、非计划停机以及从原型到量产过渡中的技术瓶颈，由首席冶金学家Bryan Sherman领衔，采用月度参与模式而非一次性咨询。会员可获得冶金工艺控制、故障排除支持、培训、测试和收费服务，覆盖粉末、喂料、成型、增材制造和烧结炉技术。该计划面向工业制造商、OEM自营零件厂以及金属注射成型和烧结基增材制造企业，目标改善单件经济性，提高首检通过率，减少返工。此类会员制技术服务模式的出现，反映了粉末冶金和金属增材制造领域对“材料-工艺匹配”专业支持的持续需求。

瑞士联邦材料科学与技术实验室（Empa）研究团队正在探索利用电弧增材制造(WAAM)修复和加固受损钢部件，如桥梁疲劳裂纹。研究表明，经优化的加固几何形状比材料用量更为关键——优化的几何结构能够以阻止或显著减缓裂纹扩展的方式分布应力。团队通过在开裂钢板上打印金属并施加重加载荷验证，经WAAM修复的钢板疲劳寿命最多可延长四倍，其中双层阶梯式加固效果最佳。研究也指出了挑战：若加固几何设计不当，可能在打印金属与原钢材交界处产生新的应力集中点；当前WAAM系统多为工业机器人，难以运输至现场。团队还在探索金属增材制造用于地震载荷下可控变形并恢复形状的结构。该研究为老化基础设施维护提供了新的技术路径，修复方式可精准在结构所需部位沉积材料，节省能耗与成本。