FLARE：基于权重空间线性仿射重建的预测有向能量沉积位移场数据高效替代模型
机器学习
2026-04-21 v1
摘要
有向能量沉积（DED）产生复杂的热力学-力学响应，可能导致变形和制造件的尺寸精度降低。热力学-力学有限元仿真广泛用于估计这些效应，但其计算成本和准确捕捉 DED 物理的复杂性限制了其在设计迭代和过程优化中的应用。本文介绍 FLARE（Field Prediction via Linear Affine Reconstruction in wEight-space，即基于权重空间线性仿射重建的场预测），这是一个用于预测 DED 中后冷却位移场的数据高效替代模型框架。我们开发了使用开源有限元框架的预定义几何 DED 仿真工作流程，并生成包含不同几何、激光功率和沉积速度的仿真数据集。每个仿真提供整个制造过程中位移、应力、应变和温度的全场数据。FLARE 将每个仿真编码为隐式神经场，并对相应的神经网络权重进行正则化，使其遵循输入参数空间的仿射结构。这使得通过仿射混合训练示例来预测未见的参数组合成为可能。在该 DED 数据集上，该方法在训练分布内和外推设置下均优于基线方法。虽然本研究专注于 DED 位移预测，但提出的仿射权重空间重建框架为数据高效的物理场替代模型提供了有前景的 approach。
引用
@article{arxiv.2604.16649,
title = {FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition},
author = {Kittipong Thiamchaiboonthawee and Ghadi Nehme and Ram Mohan Telikicherla and Jiawei Tian and Balaji Jayaraman and Vikas Chandan and Dhanushkodi Mariappan and Faez Ahmed},
journal= {arXiv preprint arXiv:2604.16649},
year = {2026}
}
备注
14 pages, 7 figures