利用傅里叶神经算子捕获增材制造过程中的局部温度演化

Jul, 2023

利用傅里叶神经算子捕获增材制造过程中的局部温度演化

Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators

Jiangce Chen, Wenzhuo Xu, Martha Baldwin, Björn Nijhuis, Ton van den Boogaard...

TL;DR本文提出一个基于傅里叶神经算子的数据驱动模型，以捕获增材制造过程中的局部温度演变，该模型使用 $R^2$ 度量模型性能，并在直接能量沉积过程的数值模拟中进行了测试，结果表明该模型具有高精度，并具有普适性。

Abstract

High-fidelity, data-driven models that can quickly simulate thermal behavior during additive manufacturing (AM) are crucial for improving

additive manufacturing data-driven models thermal behavior fourier neural operator heat-affected zones

发现论文，激发创造

金属增材制造中基于物理启发神经网络的实时二维温度场预测

利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。

Jan, 2024

基于傅里叶神经算子的转移学习多保真流场与温度场预测

提出了一种基于傅里叶神经算子的多保真学习方法，通过联合大量低保真度数据和有限高保真度数据，利用转移学习范式实现了对复杂流体和温度问题的预测，并且获得了高达 99% 的建模准确性。

Apr, 2023

在线预测薄壁金属增材制造的热场

该论文研究了如何在金属增材制造过程中，当只有少量传感器可用时，如何在线预测未打印零件的热场。该研究提出了一种使用映射和重建的在线热场预测方法，该方法可集成到金属增材制造过程中进行在线性能控制。通过温度曲线的相似性，该方法利用人工神经网络从先前已打印层上某些点的测量温度来估计未打印层上点的温度曲线。利用同一层上几个点的测量 / 预测温度曲线，通过降阶模型（ROM）构建同一层上所有点的温度曲线，以建立整个层的温度场。通过极限学习机（ELM）进行 ROM 的训练，以提高计算效率。通过进行 15 个线电弧增材制造实验和九个具有固定长度和单向打印的薄壁的仿真测试，结果表明所提出的预测方法能够在低成本台式机上在 0.1 秒内构建未打印层的热场。同时，该方法在大多数情况下具有可接受的一般化能力，可从较低层到较高层在同一模拟中以及从一种模拟到另一种模拟的不同增材制造参数上适用。更重要的是，经过有限实验数据的微调后，所有预测温度曲线在新实验中的相对误差非常小，证明了所提出的在线金属增材制造热场预测方法在实际应用中的适用性和泛化能力。

Oct, 2023

深度神经算子支持的增材制造数字孪生建模

通过构建数字孪生模型，利用深度神经算子和深度学习模型，结合高精度计算模型解决熔池状态和缺陷预测的问题，并通过优化算法控制激光输入来提高增材制造的质量。

May, 2024

应用监督机器学习和基于物理的机器学习方法预测铝合金摩擦搅拌堆焊的峰值温度分布

通过结合监督式机器学习和基于物理的神经网络，本研究使用先进的方法预测了加性摩擦搅拌沉积（AFSD）过程中的峰值温度分布，为优化材料微结构提供了全面的见解。

Sep, 2023

基于 MOOSE 的添加制造模型的快速准确降阶建模与操作学习

通过运用运算符学习方法构建 AM 模型的快速准确的降阶模型，以提高 AM 控制和优化过程的时间 / 成本，同时保持评估准确性。

Aug, 2023

激光粉床增材制造温度预测的长短时记忆神经网络

本文提出了一种智能打印工具，通过神经网络对温度梯度分布进行预测和优化，实现 laser powder bed fusion 的打印控制和质量提高。