基于可迁移和可扩展图神经网络的激光粉末床熔接工艺温度分布预测
机器学习
2024-07-22 v1 计算工程、金融与科学
摘要
本研究提出了 novel 预测模型，利用图神经网络（Graph Neural Networks, GNNs）用于激光粉末床熔接（Laser Powder Bed Fusion, L-PBF）工艺中的热力学仿真。通过开发和验证 Single-Laser GNN（SL-GNN）和 Multi-Laser GNN（ML-GNN）代理模型，研究引入了一种可扩展的数据驱动方法，从小规模有限元分析（Finite Element Analysis, FEA）仿真中学习基本物理知识，并应用于更大的域。基线 SL-GNN 模型实现了 3.77% 的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE），GNNS 有效学习了高分辨率仿真，并在更大的几何结构上良好地泛化。该模型捕捉了 L-PBF 中热传递过程的复杂性，同时显著降低了计算成本。例如，2 mm × 2 mm 域的热力学仿真通常需要约 4 小时，而 SL-GNN 模型可几乎瞬间预测温度分布。针对更大域的模型校准显著提升了预测性能，对于 3 mm × 3 mm 和 4 mm × 4 mm 域的 MAPE 有显著下降，凸显了该方法的可扩展性和效率。此外，模型在针对更大域调整后，均呈现根均方误差（Root Mean Square Error, RMSE）下降趋势，暗示其潜在的几何无关性。多激光器的相互作用使热传递变得复杂， necessitating 更大的模型架构和更先进的特征工程。使用来自高斯过程贝叶斯优化的超参数，最佳 ML-GNN 模型相较于基线 ML-GNN 模型实现了 46.4% 的 MAPE 改进。总之，该方法使得 L-PBF 添加式制造中的更高效和灵活的预测建模成为可能。
引用
@article{arxiv.2407.13838,
title = {Temperature Distribution Prediction in Laser Powder Bed Fusion using Transferable and Scalable Graph Neural Networks},
author = {Riddhiman Raut and Amit Kumar Ball and Amrita Basak},
journal= {arXiv preprint arXiv:2407.13838},
year = {2024}
}