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

Jan, 2024

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

Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks

Pouyan Sajadi, Mostafa Rahmani Dehaghani, Yifan Tang, G. Gary Wang

TL;DR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。

Abstract

Accurately predicting the temperature field in metal additive manufacturing (AM) processes is critical to preventing overheating, adjusting process parameters, and ensuring process stability. While physics-based computational models offer precision, they are often time-consuming and un

metal additive manufacturing temperature field prediction physics-informed neural network convlstm architecture real-time predictions

发现论文，激发创造

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

金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

Jul, 2020

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。

Jan, 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

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。

Jul, 2023

使用深度卷积神经网络进行多精度代理建模以预测温度场

本文提出了一种简洁的深度多保真模型 (DMFM) 和物理驱动的深度多保真模型 (PD-DMFM)，用于温度场预测，利用低保真度的数据来提高模型性能并减少对高保真度数据的依赖。通过对两个温度场预测问题的验证，证明了该方法可以显着降低模型对高保真度数据的依赖性。