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

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

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

通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的Navier-Stokes方程，显著降低了计算成本。

Jul, 2023

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

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

利用数字孪生框架在实时预测控制激光直接能量熔化(DED)过程参数以满足特定设计目标，通过LSTM机器学习建立代理模型预测DED零件的温度，在此基础上引入贝叶斯优化(Bayesian Optimization)进行时间序列过程优化(Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。

Feb, 2024

将神经网络和物理规律相结合以提高模型的准确性、透明度和泛化性能的物理知情机器学习（PIML）模型的开发，以激光金属沉积（LMD）为案例研究。

Jul, 2024

本研究解决了传统熔池温度监控方法速度慢且依赖手动数据处理的问题。我们提出的双目模型通过深度学习技术，能够以高达750帧每秒的速度，将原始数据精确转换为温度图，并显著提高了处理效率和准确度。这一成果为金属增材制造中的在线温度监测提供了新的解决方案，从而推动该领域的进步。

Aug, 2024

本研究针对金属增材制造中的熔池温度监测问题，提出了一种基于人工智能的深度学习模型“双目模型”，旨在减少对人工数据处理的依赖，提高数据到洞察的转化效率。研究结果显示，该模型能够以每秒750帧的速度处理数据，温度估计的准确率达到0.95 R平方分数，显著提升了实时监测的效率与精度。

Aug, 2024