电流体动力聚合物喷射打印动力学的物理信息贝叶斯学习

诸如基于电流体动力学的增材制造（AM）技术（E-jet 打印）等高度动态多物理场制造工艺的标定，仍依赖劳动密集型的试错实践。这些做法阻碍了此类技术的广泛采用，亟需一种自标定 E-jet 打印机的新范式。为满足该需求，我们开发了 GPJet——一个端到端的物理信息贝叶斯学习框架，并在具备在线喷射监测能力的虚拟 E-jet 打印机上进行了测试。GPJet 由三个模块组成：a) 机器视觉模块，b) 基于物理的建模模块，c) 机器学习（ML）模块。我们证明了机器视觉模块可利用自动化并行计算机视觉工作流从视频数据中实时提取高保真射流特征。此外，我们表明机器视觉模块与基于物理的建模模块相结合，可作为向机器学习模块提供高保真与低保真数据的闭环感官反馈。依托我们以数据为中心的方法，我们证明了在线 ML 规划器可利用视频与物理以最小实验代价主动学习射流过程动力学。GPJet 使我们向实现智能 AM 机器的愿景更近一步，此类机器能以极低成本与极快速度高效搜索复杂的工艺-结构-性能景观，并为广泛应用创造优化材料解决方案。