[论文解读] Hybrid thermal modeling of additive manufacturing processes using physics-informed neural networks for temperature prediction and parameter identification

Shuheng Liao, Tianju Xue+4 more|arXiv (Cornell University)|Jun 15, 2022

Thermography and Photoacoustic Techniques被引用 4

一句话总结

本文提出了一种基于物理信息神经网络（PINN）的混合热建模框架，用于金属增材制造，通过融合红外温度测量与热传导物理定律，实现全场温度历史的预测并识别未知材料/工艺参数。该方法在数值和实验案例中均表现出高精度，在真实数据中的均方根误差（RMSE）低于50 K，证明其在实时过程控制和反向参数识别方面的潜力。

ABSTRACT

Understanding the thermal behavior of additive manufacturing (AM) processes is crucial for enhancing the quality control and enabling customized process design. Most purely physics-based computational models suffer from intensive computational costs and the need of calibrating unknown parameters, thus not suitable for online control and iterative design application. Data-driven models taking advantage of the latest developed computational tools can serve as a more efficient surrogate, but they are usually trained over a large amount of simulation data and often fail to effectively use small but high-quality experimental data. In this work, we developed a hybrid physics-based data-driven thermal modeling approach of AM processes using physics-informed neural networks. Specifically, partially observed temperature data measured from an infrared camera is combined with the physics laws to predict full-field temperature history and to discover unknown material and process parameters. In the numerical and experimental examples, the effectiveness of adding auxiliary training data and using the pretrained model on training efficiency and prediction accuracy, as well as the ability to identify unknown parameters with partially observed data, are demonstrated. The results show that the hybrid thermal model can effectively identify unknown parameters and capture the full-field temperature accurately, and thus it has the potential to be used in iterative process design and real-time process control of AM.

研究动机与目标

• 解决纯物理模型在增材制造中计算成本高的问题。
• 通过将稀疏、高质量的实验数据与物理定律相结合，克服纯数据驱动模型对数据量的依赖性及泛化能力有限的问题。
• 开发一种代理模型，实现在金属增材制造过程中快速、准确的全场温度预测与反向参数识别。
• 通过结合物理信息神经网络与实验测量，实现在线过程控制与迭代设计。

提出的方法

• 训练物理信息神经网络（PINN）以求解定向能量沉积（DED）过程中控制热行为的热传导偏微分方程（PDE）。
• PINN的损失函数同时包含PDE残差以及边界/初始条件，确保物理一致性。
• 将来自红外（IR）相机测量的部分观测温度数据作为损失函数中的监督数据点，以引导模型。
• 使用有限元法（FEM）模拟生成的辅助训练数据，以提高收敛速度与精度。
• 采用实验数据对预训练的PINN模型进行微调，加速训练并增强泛化能力。
• 通过将未知热性能参数（如激光吸收率、热导率）设为可训练变量，实现反向参数识别。

实验结果

研究问题

• RQ1 基于仅部分观测的红外温度数据，PINN模型能否准确预测金属增材制造中的全场温度历史？
• RQ2 引入由FEM生成的辅助数据在多大程度上影响PINN模型的收敛性与精度？
• RQ3 预训练在多大程度上可加速针对不同材料或工艺参数的重复模拟中PINN的训练？
• RQ4 该混合PINN模型能否有效利用稀疏实验测量数据识别未知材料与工艺参数？
• RQ5 与合成或模拟数据相比，该框架在真实实验数据上的泛化能力如何？

主要发现

• 在数值正向问题中，PINN模型与FEM仿真结果相比的均方根误差（RMSE）为14.07 K，证明其作为代理模型的有效性。
• 加入辅助FEM数据后，达到相同精度所需的训练周期数减少了三分之二，显著提升了训练效率。
• 预训练使达到目标精度所需的周期数减少超过80%，实现了对新材料或工艺条件的快速适应。
• 在反向问题中，模型利用带噪声的合成红外数据，对激光吸收率、比热容和热导率的识别误差均低于5%。
• 在实验案例中，模型与实测红外数据相比的全场温度预测RMSE为47.28 K，证明其成功融合真实实验数据与物理规律的能力。
• 该混合框架支持灵活、任意方式将实验数据融入PINN模型，为复杂增材制造热行为建模提供了稳健解决方案。