基于物理信息神经算子方法的金属增材制造实时畸变预测
机器学习
2025-11-18 v1
摘要
随着数字孪生和智能制造系统的发展，实时畸变场预测以控制金属增材制造(Metal Additive Manufacturing, AM)中的缺陷已成为迫切需求。然而，数值仿真方法因计算成本高、运行时间长，难以实现实时应用；而传统机器学习(机器学习)模型则难以提取长时程空间特征进行长期预测，且无法解耦热力学和机械场。本文提出一种基于物理信息神经算子(PINO)的方法，用于预测未来 15 秒内 z 方向和 y 方向的畸变。我们的方法，Physics-informed Deep Operator Network-循环神经网络(PIDeepONet-RNN)，采用分支网络处理温度历史，编码畸变场，从而实现热力学响应的解耦。通过将热传导方程作为软约束纳入模型，确保物理一致性，抑制非物理性 artifacts，从而在热力学历史与畸变之间建立更具物理一致性的映射。这一基于物理规律构建的基函数提供了稳健且可解释的预测基础。本文所提出的模型使用来自实验验证的有限元方法(FEM)生成的数据进行训练和测试。评估结果表明，该模型在准确性、误差积累、计算效率方面均表现优异。z 方向和 y 方向的最大绝对误差分别为 0.9733 mm 和 0.2049 mm。误差分布显示，在熔池区域误差较大，但在沉积物和关键区域的梯度范数较小。PINO 类旁模型的性能凸显了其在控制缺陷中实现实时长程物理场预测的潜力。
引用
@article{arxiv.2511.13178,
title = {Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach},
author = {Mingxuan Tian and Haochen Mu and Donghong Ding and Mengjiao Li and Yuhan Ding and Jianping Zhao},
journal= {arXiv preprint arXiv:2511.13178},
year = {2025}
}