金属增材制造中微结构建模的计算、数据驱动和物理信息机器学习方法

金属增材制造（AM）实现了前所未有的设计自由度，并能生产定制化的复杂部件。然而，金属AM工艺固有的快速熔化和凝固动力学产生了异质、非平衡的微结构，这显著影响机械性能和后续功能。跨空间和时间尺度预测微结构及其演化仍然是工艺优化和缺陷缓解的核心挑战。虽然传统的实验技术和基于物理的模拟提供了物理基础和宝贵的见解，但它们面临着关键的局限性。相比之下，数据驱动的机器学习（ML）提供了一种替代的预测方法和强大的模式识别能力，但通常作为黑箱运行，缺乏泛化能力和物理一致性。为了克服这些限制，物理信息机器学习（PIML），包括物理信息神经网络，通过将控制物理定律嵌入神经网络架构，已成为一种有前景的范式，从而提高了准确性、透明度、数据效率和推演能力。本工作对金属AM中的微结构预测建模策略进行了全面评估。深入分析了实验、计算和数据驱动方法的优势与局限性，并重点介绍了集成物理知识与ML的混合PIML框架的最新进展。讨论了关键挑战，如数据稀缺、多尺度耦合和不确定性量化，以及未来方向。最终，该评估强调了基于PIML的混合方法在实现预测性、可扩展且物理一致的微结构建模方面的重要性，以实现特定位置的、微结构感知的工艺控制和可靠的高性能AM部件生产。