使用物理信息神经网络实时预测金属增材制造中的2D温度场

准确预测金属增材制造过程中的温度场对于防止过热、调整工艺参数和确保工艺稳定性至关重要。虽然基于物理的计算模型提供了精度，但它们通常耗时，不适合迭代设计场景中的实时预测和在线控制。相反，机器学习模型严重依赖高质量数据集，这在金属增材制造领域可能成本高昂且难以获得。我们的工作通过引入一个专门为金属增材制造温度场预测设计的物理信息神经网络框架来解决这个问题。该框架包含物理信息输入、物理信息损失函数和卷积长短期记忆（ConvLSTM）架构。利用过程中的实时温度数据，我们的模型预测不同几何形状、沉积图案和工艺参数下未来时间戳的2D温度场。我们在两个场景中验证了所提出的框架：薄壁的全场温度预测以及圆柱和立方体零件的2D温度场预测，分别显示出低于3%和1%的误差。我们提出的框架表现出灵活性，可以应用于不同工艺参数、几何形状和沉积图案的各种场景。