激光粉末床熔融多道温度预测的物理信息代理模型
计算工程、金融与科学
2025-02-05 v1
摘要
建模在增材制造（AM）中起着关键作用，能够加深对底层过程的理解。此类模型的参数化解至关重要，有助于优化生产流程并大幅降低成本。然而，问题的复杂性以及过程中涉及的时空尺度多样性给传统数值方法带来了巨大挑战。代理模型通过加速仿真并促进实时监测与控制，提供了一种强大的替代方案。本研究提出了一种算子学习方法，该方法依赖于深度算子网络（DeepONet）和物理信息神经网络（PINN）来预测激光粉末床熔融（LPBF）过程中熔化和凝固阶段的三维温度分布。获得了关于刀具路径的单道和多道场景的参数化解。为了解决使用 DeepONet 架构获取多道场景参数化解的挑战，提出了一种顺序 PINN 方法，以有效管理这些场景中固有的训练复杂性增加问题。模型的准确性和一致性通过与有限差分计算结果的对比得到验证。所开发的代理模型使我们能够高效分析扫描路径和激光参数对热历史的影响。
引用
@article{arxiv.2502.01820,
title = {Physics-Informed Surrogates for Temperature Prediction of Multi-Tracks in Laser Powder Bed Fusion},
author = {Hesameddin Safari and Henning Wessels},
journal= {arXiv preprint arXiv:2502.01820},
year = {2025}
}