熔池表面张力温度系数如何影响流场？

Question

在焊接或增材制造过程中，熔池表面张力的温度系数如何影响熔池内部流场分布？当表面张力随温度升高而降低（负温度系数）时，易引发由熔池边缘向中心的表面流动（马兰戈尼对流），增强热量与物质传输；反之，正温度系数可能导致反向流动，抑制对流强度。该效应显著影响熔池形貌、凝固组织及缺陷形成。实际工艺中，如何通过调控热输入或添加活性元素改变表面张力梯度，进而控制流场行为，是一个关键且具挑战性的技术问题。

Answer 1

一、熔池表面张力与温度系数的基本物理机制

在焊接与增材制造过程中，熔池的形成依赖于局部高能量输入（如激光、电子束或电弧），导致金属迅速熔化。熔池内部的流体行为不仅受浮力对流影响，更关键的是由表面张力梯度驱动的马兰戈尼对流（Marangoni convection）。

表面张力随温度的变化关系通常表示为：

$$ \frac{d\sigma}{dT} = k $$

其中，σ为表面张力，T为温度，k为温度系数。当k < 0时，称为负温度系数，即温度升高，表面张力下降；反之则为正温度系数。

在大多数纯金属（如铁、铝）中，dσ/dT < 0，导致高温中心区域表面张力低于边缘低温区，从而引发从边缘向中心的表面流动，形成典型的内向马兰戈尼对流。

二、马兰戈尼对流对熔池内部流场的影响层级分析

1. 流场结构变化：负温度系数下，表面液态金属从边缘流向中心，随后向下回流，形成双涡旋结构，显著增强传热与传质效率。
2. 热量分布重构：对流加速热量从表面向底部传递，影响熔深与熔宽比例，改变熔池几何形态。
3. 溶质再分布：流体运动促进合金元素混合，减少偏析，但过强对流可能导致成分不均。
4. 凝固前沿稳定性：强对流扰动固液界面，可能诱发胞状→枝晶转变，甚至引起裂纹或气孔缺陷。
5. 缺陷生成机制：例如，在激光焊接中，过度内向流动可能导致匙孔失稳，引发飞溅或孔洞。

三、不同材料体系下的表面张力响应对比

材料类型	dσ/dT (mN/m·K)	主导对流方向	典型流场特征	常见缺陷风险
Pure Iron	-0.3	Edge → Center	双涡旋内向流	匙孔塌陷
Al Alloy 6061	-0.18	Edge → Center	弱对流	热裂纹
Stainless Steel 304	-0.25	Edge → Center	强对流	元素偏析
Ti-6Al-4V	-0.29	Edge → Center	高速回流	气孔捕获
Molten Silver	+0.05	Center → Edge	外向流动	表面皱褶
Solder (Sn-Pb)	-0.12	Edge → Center	层流为主	润湿不良
Ni-based Superalloy	-0.31	Edge → Center	复杂多涡	液化裂纹
Mg Alloy AZ91	-0.16	Edge → Center	湍流倾向	氧化夹杂
Cu-Si	+0.03	Center → Edge	抑制对流	未熔合
Inconel 718	-0.28	Edge → Center	强剪切流	Laves相析出

四、工艺调控策略：热输入与活性元素添加的协同作用

实际工艺中，可通过以下方式主动调控表面张力梯度，进而控制熔池流场：

• 调节热输入参数：包括激光功率、扫描速度、光斑尺寸等。提高功率密度可增强温度梯度，放大马兰戈尼效应；降低扫描速度则延长作用时间，促进对流发展。
• 波形调制技术：在脉冲激光焊接中，通过调整脉宽与峰值功率，周期性改变熔池表面温度分布，实现对流“启停”控制。
• 添加活性元素（A-TIG 或 AM 中掺杂）：如S、O、Se、Te等杂质元素会显著改变dσ/dT符号。例如，在不锈钢中加入微量硫，可使dσ/dT由负转正，诱导外向流动，抑制驼峰缺陷。
• 多材料混合送粉：在增材制造中引入高σ材料（如Ta、W）作为“流变调节剂”，局部改变表面张力场。

五、数值模拟与实验验证的技术路径

为了深入理解并预测熔池流场行为，常采用计算流体力学（CFD）结合VOF（Volume of Fluid）方法进行建模。以下是典型仿真流程：

# 示例：OpenFOAM 中设置马兰戈尼边界条件
boundaryField
{
    meltPoolSurface
    {
        type            marangoniSlip;
        sigma0          1.8;          // 参考表面张力 [N/m]
        dSigma_dT       -0.0003;      // 表面张力温度系数 [N/m·K]
        T_ref           1800;         // 参考温度 [K]
    }
}
    

六、基于马兰戈尼效应的智能工艺优化框架

结合机器学习与实时传感，构建闭环控制系统已成为前沿研究方向。下图为一种融合物理模型与数据驱动的调控架构：

graph TD
            A[实时红外测温] --> B(温度场重建)
            B --> C{马兰戈尼流态识别}
            C --> D[流场模式分类: 内向/外向/弱对流]
            D --> E[数字孪生模型预测缺陷风险]
            E --> F[动态调整激光功率/送粉速率]
            F --> G[执行机构反馈控制]
            G --> A
            H[数据库: 材料-工艺-流场映射] --> C
            H --> E