脉冲方法:一种以物理为导向的机器学习模型,用于在金属的激光粉末床融合中进行热分析

科学领域:

• 增材制造 增材制造 增材制造
• 材料科学 材料科学 材料科学
• 计算工程 计算工程 计算工程

背景情况:

• 精确的传热建模对于激光粉床金属融合 (PBF-LB/M) 至关重要,以便在设计过程中预测热点.
• 传统的基于物理学的方法,如有限元素 (FE) 分析,对于PBF-LB/M模拟来说,计算密集.
• 机器学习 (ML) 为减少流程建模中的计算负担提供了灵活和高效的替代方案.

研究的目的:

• 开发一个计算效率高的ML框架,用于预测PBF-LB/M中的热传递.
• 将物理洞察整合到ML模型中,以提高准确性和有效性.
• 为了实现PBF-LB/M过程的更快,更小规模的模拟.

主要方法:

• 开发了一种使用两个前神经网络 (FFNNs) 的"脉冲方法".
• 一个基本的FFNN模拟在固体块上激光扫描的热反应.
• 第二个FFNN,以扰动理论为指导,纠正几何特征,在有限的FE模拟上训练.

主要成果:

• 配对的FFNN准确地预测PBF-LB/M的温度概况和历史.
• 这些模型可以概括到更大的模拟领域和看不见的扫描模式.
• 模拟在不到一秒钟内完成,与FE方法相比,实现了数量级加速.

结论:

• 拟议的ML"脉冲方法"显著加快了PBF-LB/M中的热传递模拟.
• 这种方法可以实现可行的小规模模拟,有助于设计和流程优化.
• 开放式可用的模型和脚本有助于进一步的研究和应用.