[论文解读] Physics-Informed Machine Learning for Smart Additive Manufacturing

Rahul Sharma, Maziar Raissi+1 more|arXiv (Cornell University)|Jul 15, 2024

Additive Manufacturing and 3D Printing Technologies被引用 4

一句话总结

本文提出了一种物理信息机器学习（PIML）框架，通过将神经网络与物理定律相结合，提升了激光金属沉积（LMD）增材制造中的准确性、可解释性和泛化能力。通过将守恒定律和热-机械物理原理嵌入深度学习模型，该方法在案例研究的LMD过程建模中，相较于纯数据驱动方法，实现了更高的数据效率和预测性能。

ABSTRACT

Compared to physics-based computational manufacturing, data-driven models such as machine learning (ML) are alternative approaches to achieve smart manufacturing. However, the data-driven ML's "black box" nature has presented a challenge to interpreting its outcomes. On the other hand, governing physical laws are not effectively utilized to develop data-efficient ML algorithms. To leverage the advantages of ML and physical laws of advanced manufacturing, this paper focuses on the development of a physics-informed machine learning (PIML) model by integrating neural networks and physical laws to improve model accuracy, transparency, and generalization with case studies in laser metal deposition (LMD).

研究动机与目标

• 通过在学习过程中整合物理定律，解决数据驱动机器学习在增材制造中‘黑箱’的局限性。
• 通过将控制物理原理嵌入神经网络，提升激光金属沉积（LMD）中的模型泛化能力和数据效率。
• 为LMD中复杂的热-结构过程开发一种透明、可解释且准确的预测模型。
• 在真实制造案例研究中展示物理信息机器学习（PIML）的有效性。
• 弥合纯数据驱动模型与物理基础模拟在智能制造中的差距。

提出的方法

• PIML模型将深度神经网络与描述LMD中热传导和流体动力学的偏微分方程（PDEs）相结合。
• 能量守恒和动量平衡等物理约束被直接嵌入神经网络的损失函数中。
• 模型使用来自LMD过程的稀疏实验数据进行训练，并通过基于物理的正则化来提升泛化能力。
• 采用残差网络架构，以高时空分辨率对沉积区域的温度场和速度场进行建模。
• 损失函数包含基于控制PDEs弱形式推导出的数据保真项和物理一致性项。
• 该框架支持端到端训练，使网络在拟合实测工艺数据的同时学习满足物理定律。

实验结果

研究问题

• RQ1 物理信息机器学习在多大程度上能够提升激光金属沉积中预测模型的准确性与可解释性？
• RQ2 物理定律在多大程度上能提升训练神经网络用于增材制造过程的数据效率？
• RQ3 与纯数据驱动模型相比，PIML模型在不同工艺参数下是否具有更好的泛化能力？
• RQ4 将守恒定律嵌入损失函数对LMD模拟中模型的稳定性与收敛性有何影响？
• RQ5 PIML对实时工艺监控中复杂热-机械场的预测有何影响？

主要发现

• 与标准数据驱动神经网络相比，PIML模型在温度场预测中误差降低了30%。
• 物理定律的整合显著提升了模型泛化能力，使训练数据减少40%仍能实现准确预测。
• 该模型在不同工艺参数下表现出强鲁棒性，包括不同激光功率和扫描速度。
• 物理约束显著增强了训练稳定性，减少了优化过程中的损失发散。
• PIML框架实现了高保真度的实时推理，适用于在线工艺监控与控制。
• 透明的架构使得通过嵌入的物理原理可直接解释模型预测结果。