通过傅里叶神经算子捕捉增材制造中的局部温度演化
机器学习
2023-07-06 v1 计算几何
摘要
能够快速模拟增材制造(AM)过程中热行为的高保真数据驱动模型，对于提升 AM 技术在零件设计、工艺规划、监测与控制等多个领域的性能至关重要。然而，零件几何的复杂性使当前模型难以在广泛几何范围内保持高精度。此外，许多模型报告整个域（零件）上的低均方误差(MSE)。但在每个时间步，域中大部分区域温度无显著变化，除近期沉积附近的热影响区外。因此，基于 MSE 的模型保真度度量可能被高估。本文提出一种使用傅里叶神经算子捕捉增材制造过程局部温度演化的数据驱动模型。此外，作者提议使用 指标评估模型，该指标相较以平均温度作为预测提供了模型性能的相对度量。模型在基于间断伽辽金有限元法(DG-FEM)的直接能量沉积过程数值模拟上测试，结果表明该模型按 度量实现了高保真度，并对训练过程未包含的几何保持泛化能力。
引用
@article{arxiv.2307.01804,
title = {Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators},
author = {Jiangce Chen and Wenzhuo Xu and Martha Baldwin and Björn Nijhuis and Ton van den Boogaard and Noelia Grande Gutiérrez and Sneha Prabha Narra and Christopher McComb},
journal= {arXiv preprint arXiv:2307.01804},
year = {2023}
}