AFSD-Physics：通过人类-AI协同方法探索增阻振搅拌沉积中温度演化的控制方程
机器学习
2025-02-11 v1 材料科学
人工智能
摘要
本文提出了一种建模努力，探索增阻振搅拌沉积（AFSD）过程中温度演化的底层物理。AFSD是一种无需熔化即可沉积材料的新型固态增材制造技术。然而，过程建模和AFSD工具建模目前处于早期阶段。本文提出了一种人类-AI协同方法，将基于第一性原理的模型与AI相结合。得到的人类信息机器学习方法（称为AFSD-Physics）能够有效地从原位测量中学习工具处及构建区的温度演化控制方程。设计并进行了实验，以收集用于沉积铝7075材料的30层的原位测量数据。获得的控制方程是具有低计算成本和高精度的可解释物理模型。模型预测与测量结果良好一致。使用新的工艺参数进行实验验证，表明该模型具有广泛的可推广性和用于工具温度控制和工艺优化的潜力。
引用
@article{arxiv.2401.16501,
title = {AFSD-Physics: Exploring the governing equations of temperature evolution during additive friction stir deposition by a human-AI teaming approach},
author = {Tony Shi and Mason Ma and Jiajie Wu and Chase Post and Elijah Charles and Tony Schmitz},
journal= {arXiv preprint arXiv:2401.16501},
year = {2025}
}