基于物理的在线学习,用于金属AM中的温度预测
Pouyan Sajadi1, Mostafa Rahmani Dehaghani1, Yifan Tang1
1Product Design and Optimization Laboratory, Simon Fraser University, Surrey, BC V3T 0A3, Canada.
Materials (Basel, Switzerland)
|July 13, 2024
概括
这项研究引入了一种新的基于物理的在线学习框架,用于在金属增材制造 (AM) 中准确的实时温度预测. 基于物理学的神经网络 (PINN) 适应新数据,改善过程控制和优化.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算科学 计算科学
背景情况:
- 精确的温度场预测对于金属增材制造 (AM) 工艺控制和优化至关重要.
- 传统的离线和数据驱动的方法缺乏实时适应动态AM场景的适应性.
研究的目的:
- 引入第一个基于物理 (PI) 的在线学习框架,用于金属AM的实时温度预测.
- 解决传统方法在适应新工艺条件方面的局限性.
主要方法:
- 开发一个基于物理的神经网络 (PINN),将神经网络与基于物理的输入和损失函数集成.
- 一种两阶段的学习方法:在已知的数据上进行初始预训练,然后通过动态在线重量更新新数据.
- 在PINN框架内利用物理规律和先前的制造知识.
主要成果:
- 该PI在线学习框架准确地预测了看不见的金属AM过程的温度场.
- 与传统的数据驱动模型相比,其表现优越,特别是在预测受热影响区 (HAZ) 和融化池方面.
- 确定了学习速度和批量大小等超参数对在线学习优化影响.
结论:
- 拟议的基于PINN的框架为金属AM提供了强大而准确的实时温度预测.
- 这种方法显著提高了对各种工艺参数,几何形状和材料的适应性.
- 该框架具有很大的潜力,可以改善金属AM的在线控制和优化.
