面向智能增材制造的物理信息机器学习
本文介绍了一种基于机器学习的综合框架,用于金属增材制造过程中机械性能的预测,并提出了利用SHAP分析对机器学习模型预测结果进行解释和解读的方法,同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。
Aug, 2022
本研究提出了一种基于迁移学习的方法,通过使用大量来源于基于物理的流程模型的计算廉价的数据进行ML模型训练,然后在少量代价昂贵的实验数据上进行微调,从而降低了新工艺过程物理模型开发的高成本,并且该方法在Fused Filament Fabrication的印刷线宽建模中表现良好,减少了模型开发时间、实验成本、计算成本和预测误差。
Apr, 2023
研究使用机器学习技术结合多物理计算流体动力学模型和实验数据来预测金属添加制造过程中材料的特性和加工参数的影响,创造性地解决了数据稀缺的问题并提出了一个高效、准确和可扩展的预测和优化模型。
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
通过三步骤的知识可转移性分析框架,提出了一种支持数据驱动式增材制造知识转移的方法,该方法能够在不同的增材制造技术之间进行知识转移,包括数据表示、模型架构和模型参数等方面,为实现高效的跨环境或跨过程知识交流奠定了基础。
Sep, 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
本文介绍了基于参数化物理模型的数字孪生(PPB-DT),用于统计预测激光粉末床熔化金属增材制造过程中的熔池几何和缺陷识别在内的诊断应用。通过基于物理模型和实验数据训练的机器学习模型(PPB-ML-DT),这些数字孪生模型可用于预测、监测和控制熔池几何,加快基于激光粉末床熔化金属增材制造的产品开发和认证过程。
Nov, 2023
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