基于参数PINN框架的材料无关零样本热推断：用于金属增材制造

金属增材制造（AM）中准确的热建模对于理解工艺-结构-性能关系至关重要。虽然先前研究探索了在未见的工艺条件下的泛化性，但通常需要大量数据集、昂贵的重新训练或预训练。跨不同材料的泛化性仍相对未被充分探索 due to distinct material-dependent thermal behaviors。本文引入一种参数化physics-informed神经网络（PINN）框架，用于在无标签数据、无重新训练或预训练的情况下实现任意材料的零样本泛化。该框架采用解耦的参数化PINN架构，分别编码材料属性和时空坐标，通过条件调制进行融合，以更好地匹配材料参数在控制方程和边界条件中的乘法作用。进一步引入基于Rosenthal解析解的物理引导输出缩放和混合优化策略，以增强物理一致性、训练稳定性和收敛性。在包括分布内和分布外案例的多种金属合金的裸板激光粉末床熔接（LPBF）实验中，结果表明该框架实现了有效的零样本泛化，同时具有优异的训练效率。具体而言，本文提出的框架相较于非参数基线实现了最高可达64.2%的相对L2误差降低，仅需基线训练周期的4.4%即可超越其性能。消融研究确认，本文框架的组件对其他PINN方法同样具有广泛适用性。总体而言，本文提出的框架为金属AM中的高效且可扩展的材料无关零样本热建模提供了解决方案，促进了更灵活和实用的部署。