摘 要：增材制造是一种涵盖多因素、多物理、多尺度的先进成形技术，其四大关键问题之一的内部固有缺陷难以避免且无法消除，往往成为诱导疲劳失效的起始位点，并加剧抗疲劳性能离散化水平，严重制约其装备服役可靠性，亟待建立一种基于数据驱动的高效、可迁移评价方法。本文采用当前广泛使用且趋于成熟的机器学习方法，以数据为驱动，尝试建立疲劳断口缺陷与疲劳寿命间的映射关系。具体地，基于疲劳断口分析建立所含缺陷二维特征数据库并使用随机森林进行特征选择，采用Extreme Gradient Boosting (XGBoost)模型构建疲劳寿命与断口缺陷的定量映射关系，预测增材铝合金疲劳寿命，同时探究不同缺陷特征对疲劳寿命的影响权重以反馈工艺。结果表明，对服役性能离散程度较大的增材金属，XGBoost模型具有较高的寿命预测准确性，疲劳寿命影响因素按权重水平降序排列依次为：服役载荷、Feret直径、圆度。本工作为增材金属疲劳寿命预测提供了一种新的技术方法和手段，同时也为航空航天、轨道交通、汽车工业等领域的轻量化增材制造结构部件的材料选型与设计提供了前期探索。