本文引入了一个全面的机器学习框架，利用物理感知型的MAM特征化、多功能机器学习模型和评估指标，预测熔池缺陷和几何形状，为熔池控制和工艺优化提供了基础。此外，还发现了基于数据驱动的显式模型，用于从工艺参数和材料性质估算熔池几何形状。

Jan, 2022

机器学习在金属增材制造中的应用研究表明，利用熔池特征进行实时缺陷预测是解决普及金属增材制造技术的关键障碍之一，本研究实践了基于新颖时空模型的深度学习，用于分类来自不同材料、系统和应用的熔池图像序列，并发现只有Kinetics400预训练的SlowFast双流网络能够在数据扰动下具备鲁棒的泛化能力。

Aug, 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

通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了3微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

Nov, 2023

使用机器学习的视觉和其他传感器技术在增材制造过程中进行现场监测，收集大量数据集，用于确定制造输出的质量和检测缺陷。通过系统回顾，发现在增材制造领域存在影响质量评估和缺陷检测的开放图像数据集的可用性问题。

Jan, 2024

用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

Apr, 2024

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

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

本研究解决了增材制造中实现期望机械性能所需的实验多样性及设计框架缺失的问题。提出了一种结合高通量实验和分层机器学习的方法，揭示激光粉末床熔融过程中多个参数与力学性能之间的复杂关系。研究表明，此方法能有效优化加工参数，最大化材料的强度和延展性，对材料研究领域具有重要影响。

Aug, 2024