基于热力学-机械物理信息的深度学习方法用于激光金属沉积中热应力演化的快速预测
机器学习
2024-12-30 v1
摘要
理解金属增材制造（AM）中热应力的演化对于生产高质量组件至关重要。近期的机器学习（ML）技术在金属AM中建模复杂多物理问题方面显示出巨大的潜力。尽管物理基仿真面临高计算成本的挑战，而传统的数据驱动ML模型则需要大量标记训练数据才能实现准确预测。不幸的是，由于实验耗时或高保真仿真的高昂成本，难以为金属AM中的ML模型生成大规模数据集。为此，本研究引入一种基于物理的神经网络（PINN）框架，将支配性物理规律纳入深度神经网络（NN）中，以预测激光金属沉积（LMD）过程中温度和热应力的演化。本文还讨论了在PINN模型辅以少量仿真数据时提升的精度和效率。进一步指出，PINN具有良好的可迁移性，可利用预训练的PINN模型作为在线软传感器，针对新的工艺参数进行快速预测，显著降低了相对于物理基数值模型的计算时间，同时保持准确性。
引用
@article{arxiv.2412.18786,
title = {Thermal-Mechanical Physics Informed Deep Learning For Fast Prediction of Thermal Stress Evolution in Laser Metal Deposition},
author = {R. Sharma and Y. B. Guo},
journal= {arXiv preprint arXiv:2412.18786},
year = {2024}
}