通过算子学习加速液态金属喷射增材制造中的零件级仿真
流体动力学
2022-05-16 v1 人工智能
机器学习
计算物理
数据分析、统计与概率
摘要
预测增材制造（AM）工艺的零件质量，需要在最小可制造特征尺度上对控制工艺多物理场的偏微分方程（PDEs）进行高保真数值模拟。这使得零件级预测计算量巨大，尤其在需要大量小尺度模拟时。我们以按需滴落液态金属喷射（LMJ）作为此类计算复杂性的示例。描述LMJ液滴合并的模型可能包含耦合不可压流体流动、传热与相变方程。当模拟由成千上万至数百万液滴构成的完整零件的构建过程时，数值求解这些方程变得极其昂贵。基于神经网络（NN）或k近邻（kNN）算法的降阶模型（ROMs）已被构建以替代原始基于物理的求解器，且在零件级模拟中计算可行。然而，其快速推断能力常以准确性、鲁棒性和泛化性为代价。我们应用算子学习（OL）方法学习液滴合并过程初态与终态之间的映射，以实现快速且准确的零件级构建仿真。初步结果表明，OL所需数据点为kNN方法的量级之少，且能在训练集之外泛化，同时达到相近预测误差。
引用
@article{arxiv.2202.03665,
title = {Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning},
author = {Søren Taverniers and Svyatoslav Korneev and Kyle M. Pietrzyk and Morad Behandish},
journal= {arXiv preprint arXiv:2202.03665},
year = {2022}
}
备注
Paper #25