基于物理信息神经网络的增材制造过程混合热建模用于温度预测与参数辨识
机器学习
2023-01-20 v2
摘要
理解增材制造(AM)过程的热行为对于提升质量控制和实现定制化工艺设计至关重要。大多数纯基于物理的计算模型存在计算成本高昂和需标定未知参数的问题，因此不适用于在线控制和迭代设计应用。利用最新计算工具的数据驱动模型可作为更高效的替代，但它们通常在大量仿真数据上训练，且往往无法有效利用少量但高质量的实验数据。本工作中，我们开发了基于物理信息神经网络的AM过程物理-数据混合热建模方法。具体而言，将红外相机测量的部分观测温度数据与物理定律结合，以预测全场温度历程并发现未知材料与工艺参数。在数值与实验算例中，展示了添加辅助训练数据及使用预训练模型对训练效率和预测精度的作用，以及利用部分观测数据辨识未知参数的能力。结果表明，该混合热模型能有效辨识未知参数并准确捕捉全场温度，因而有望用于AM的迭代工艺设计与实时过程控制。
引用
@article{arxiv.2206.07756,
title = {Hybrid thermal modeling of additive manufacturing processes using physics-informed neural networks for temperature prediction and parameter identification},
author = {Shuheng Liao and Tianju Xue and Jihoon Jeong and Samantha Webster and Kornel Ehmann and Jian Cao},
journal= {arXiv preprint arXiv:2206.07756},
year = {2023}
}