[论文解读] Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks

Pouyan Sajadi, Mostafa Rahmani Dehaghani+2 more|arXiv (Cornell University)|Jan 4, 2024

Additive Manufacturing Materials and Processes被引用 4

一句话总结

该论文提出了一种基于ConvLSTM架构的物理信息神经网络（PINN）框架，实现了金属增材制造中实时2D温度场预测。通过将基于物理的约束整合到损失函数中，并利用实时工艺数据，该模型在多种几何形状和工艺参数下实现了低于3%的温度预测误差，实现了快速、准确且可泛化的在线工艺控制。

ABSTRACT

Accurately predicting the temperature field in metal additive manufacturing (AM) processes is critical to preventing overheating, adjusting process parameters, and ensuring process stability. While physics-based computational models offer precision, they are often time-consuming and unsuitable for real-time predictions and online control in iterative design scenarios. Conversely, machine learning models rely heavily on high-quality datasets, which can be costly and challenging to obtain within the metal AM domain. Our work addresses this by introducing a physics-informed neural network framework specifically designed for temperature field prediction in metal AM. This framework incorporates a physics-informed input, physics-informed loss function, and a Convolutional Long Short-Term Memory (ConvLSTM) architecture. Utilizing real-time temperature data from the process, our model predicts 2D temperature fields for future timestamps across diverse geometries, deposition patterns, and process parameters. We validate the proposed framework in two scenarios: full-field temperature prediction for a thin wall and 2D temperature field prediction for cylinder and cubic parts, demonstrating errors below 3% and 1%, respectively. Our proposed framework exhibits the flexibility to be applied across diverse scenarios with varying process parameters, geometries, and deposition patterns.

研究动机与目标

• 解决金属增材制造中实时温度预测的计算密集型物理仿真速度慢的问题。
• 通过在学习过程中整合物理定律，克服金属增材制造中高质量实验数据集稀缺且成本高昂的问题。
• 开发一种灵活且可泛化的框架，能够预测不同零件几何形状、沉积模式和工艺参数下的温度场。
• 通过提供快速、准确且物理解释一致的温度场预测，实现在线工艺监控与控制。

提出的方法

• 该框架采用ConvLSTM神经网络架构，以建模温度场中的时空依赖关系。
• 物理信息输入层编码几何参数和工艺参数（如激光功率、扫描速度），以引导网络对物理背景的理解。
• 物理信息损失函数在训练过程中将热传导偏微分方程（PDE）作为软约束，确保物理一致性。
• 模型基于现场传感器的实时温度测量数据进行训练，从而实现对实际工艺动态的数据驱动适应。
• 损失函数结合数据保真项与PDE残差最小化，以平衡经验准确性与物理合理性。
• 该框架在多种零件几何形状（包括薄壁件、圆柱体和立方体）上进行了验证，覆盖不同的沉积策略和工艺参数。

实验结果

研究问题

• RQ1 物理信息神经网络是否能在金属增材制造中实现高精度、高泛化能力的实时2D温度场预测，且适用于多种几何形状？
• RQ2 与纯数据驱动模型相比，将物理PDE约束整合到损失函数中在多大程度上提升了预测精度和鲁棒性？
• RQ3 该模型在无需微调的情况下，对未见过的工艺参数和沉积模式的泛化能力如何？
• RQ4 实时传感器数据的集成在多大程度上提升了模型的预测性能和物理一致性？

主要发现

• 对于不同工艺参数下的薄壁件，模型在全场温度预测中的平均绝对误差低于3%。
• 对于圆柱体和立方体零件，预测误差保持在1%以下，表明在复杂几何形状下仍具有高精度。
• 物理信息损失函数显著提升了泛化能力，使模型能够准确预测未见过的沉积模式和工艺条件。
• ConvLSTM架构有效捕捉了逐层沉积过程中热量累积与耗散的时空动态。
• 该框架支持实时推理，适用于工业增材制造系统中的在线工艺监控与自适应控制。
• 模型在多种几何形状下均保持高性能，表明其具备强大的泛化能力，无需微调。