基于物理的机器学习,用于准确预测金属增材制造中的温度和池尺寸
Feilong Jiang1, Min Xia2, Yaowu Hu1,3
1The Institute of Technological Sciences, Wuhan University, Wuhan, China.
3D printing and additive manufacturing
|October 3, 2024
概括
基于物理的机器学习 (PIML) 准确预测金属添加剂制造中的池大小和温度. 这种方法克服了数据的局限性,并加快了对增强材料性能的过程预测.
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:
- 化池的特点显著影响金属增材制造 (MAM) 的结果.
- 数字模拟提供了准确性,但对于实时预测来说太慢了.
- 传统的机器学习需要大量,高质量的数据,这往往是不可用的.
研究的目的:
- 开发一种更快,数据效率高的方法,用于预测MAM中的池大小和温度分布.
- 将物理定律与机器学习相结合,克服数据依赖.
主要方法:
- 使用人工神经网络开发了一个基于物理的机器学习 (PIML) 模型.
- 该模型受到传热方程的约束,并使用有限的标记数据进行训练.
- 使用局部自适应激活功能来提高预测准确度.
主要成果:
- 该PIML模型准确地预测了不同扫描速度的温度分布和融化池尺寸.
- 有效的预测是通过最少的标记训练数据来实现的.
- 与传统的数值模拟相比,该方法显著提高了速度.
结论:
- PIML提供了一种可行的解决方案,用于在MAM中快速预测融化池行为的过程中.
- 该方法显示了实践应用的巨大潜力,提高了效率和控制.
- 将物理与机器学习相结合,有效地解决了数据稀缺和计算时间限制的问题.
