面向大规模电弧定向沉积热历史仿真的物理驱动机器学习替代模型
计算工程、金融与科学
2025-07-15 v1
摘要
电弧定向沉积 (DED) 已成为大规模结构工程应用中具有前景的增材制造 (AM) 技术。然而，该过程所固有的复杂热动力学给确保构件完整性和机械性能带来了挑战。虽然有限元法 (FEM) 仿真传统上用于预测沉积期间的热历史，但其计算需求在实际大规模应用中仍然高企。鉴于热管理和确定最佳打印策略需要多次重复仿真，FEM 仿真很快变得完全不可行。相较之下，利用经过训练的神经网络作为快速预测的替代模型已取得进展。然而，传统数据驱动方法需要大量相关且可验证的外部数据来训练和验证神经网络。对于大规模电弧 DED，尚无这些数据源以足够数量满足准确替代模型训练的需求。物理驱动神经网络 (PINN) 的引入为利用现有物理知识与先进机器学习方法相结合，开辟了另一种仿真策略。尽管具有理论优势，但 PINN 在大规模电弧 DED 结构工程语境下的应用仍有限。本研究聚焦于 PINN 的可扩展性，特别关注高效散点采样，这是控制训练时间和模型性能的关键因素。结果表明，PINN 可将计算时间和工作量降低最高可达 98.6%，同时保持所需准确性并提供“超分辨率”。讨论了提高 PINN 在金属 AM 中性能的未来方向。
引用
@article{arxiv.2507.09591,
title = {Physics-informed machine learning surrogate for scalable simulation of thermal histories during wire-arc directed energy deposition},
author = {Michael Ryan and Mohammad Hassan Baqershahi and Hessamoddin Moshayedi and Elyas Ghafoori},
journal= {arXiv preprint arXiv:2507.09591},
year = {2025}
}
备注
18 pages, 12 figures