基于深度神经算子的数字孪生建模用于增材制造

数字孪生（DT）由物理模型、数据驱动模型和机器学习（ML）驱动的高效代理组成，可作为真实世界物理过程的虚拟孪生体。在激光粉末床熔化（L-PBF）基于增材制造（AM）的应用中，DT可预测熔池的当前和未来状态以及相应的缺陷，对应于输入激光参数，通过吸收现场传感器数据自我演化，并优化激光参数以减缓缺陷形成。本文提出一种基于深度神经算子的数字孪生计算框架，用于L-PBF过程的闭环反馈控制。这通过构建高保真计算模型准确表示熔池状态，构建高效的代理模型逼近熔池解场，随后通过基于物理的程序从计算熔池仿真中提取信息，以进一步关联到感兴趣的缺陷量（如表面粗糙度）。具体而言，我们利用高保真物理模型生成的数据训练一系列基于傅里叶神经算子（FNO）的机器学习模型，以有效学习激光参数与熔池全温度场之间的关系。随后，可提取一组基于物理的变量，如熔池尺寸和峰值温度，以计算所产生的缺陷。然后采用优化算法控制激光输入以最小化缺陷。另一方面，构建的DT还可通过离线微调和在线材料校准与物理孪生体演化。最后，我们采用概率框架进行不确定性量化。该开发的DT被设想用于指导AM过程并促进高质量制造。