[论文解读] Supervised Machine Learning and Physics based Machine Learning approach for prediction of peak temperature distribution in Additive Friction Stir Deposition of Aluminium Alloy

Akshansh Mishra|arXiv (Cornell University)|Sep 13, 2023

Additive Manufacturing and 3D Printing Technologies被引用 4

一句话总结

本研究提出了一种混合机器学习框架，结合监督机器学习（SML）与物理信息神经网络（PINNs），以预测铝合金增材搅拌摩擦沉积（AFSD）过程中的峰值温度分布。采用八种SML回归算法和四种基于热传导、波动、输运及量子力学方程的PINNs，梯度提升方法在所有SML回归算法中取得了最低的均方误差（MSE = 165.78），而逻辑回归则实现了高精度的沉积质量分类，表明数据驱动与物理驱动建模相结合在AFSD热过程控制中的强大潜力。

ABSTRACT

Additive friction stir deposition (AFSD) is a novel solid-state additive manufacturing technique that circumvents issues of porosity, cracking, and properties anisotropy that plague traditional powder bed fusion and directed energy deposition approaches. However, correlations between process parameters, thermal profiles, and resulting microstructure in AFSD remain poorly understood. This hinders process optimization for properties. This work employs a framework combining supervised machine learning (SML) and physics-informed neural networks (PINNs) to predict peak temperature distribution in AFSD from process parameters. Eight regression algorithms were implemented for SML modeling, while four PINNs leveraged governing equations for transport, wave propagation, heat transfer, and quantum mechanics. Across multiple statistical measures, ensemble techniques like gradient boosting proved superior for SML, with lowest MSE of 165.78. The integrated ML approach was also applied to classify deposition quality from process factors, with logistic regression delivering robust accuracy. By fusing data-driven learning and fundamental physics, this dual methodology provides comprehensive insights into tailoring microstructure through thermal management in AFSD. The work demonstrates the power of bridging statistical and physics-based modeling for elucidating AM process-property relationships.

研究动机与目标

• 为解决在增材搅拌摩擦沉积（AFSD）过程中工艺参数、热分布与显微组织之间关联关系理解不足的问题。
• 开发一种基于数据驱动与物理信息机器学习方法的峰值温度分布预测模型。
• 通过实现精确的热管理，优化AFSD工艺参数，以改善显微组织性能。
• 基于工艺因素利用机器学习对沉积质量进行分类，以支持工艺验证。

提出的方法

• 采用八种监督机器学习回归算法，基于工艺参数建模峰值温度分布。
• 基于热传导、波动传播、输运及量子力学的控制方程，开发了四种物理信息神经网络（PINNs）。
• 在实验或仿真数据上训练SML模型以预测温度场，并通过超参数调优实现最优性能。
• 将PINNs集成至损失函数中，嵌入物理定律，确保预测结果具有热力学一致性。
• 采用集成技术（如梯度提升）增强SML模型的鲁棒性与泛化能力。
• 应用逻辑回归，基于工艺参数对沉积质量进行分类。

实验结果

研究问题

• RQ1 在以工艺参数为输入的条件下，监督机器学习对铝合金AFSD中峰值温度分布的预测精度如何？
• RQ2 不同SML算法在预测AFSD热分布方面的相对性能如何？
• RQ3 物理信息神经网络在AFSD热建模中对预测精度与物理一致性提升的贡献程度如何？
• RQ4 机器学习模型能否有效基于工艺参数对沉积质量进行分类？
• RQ5 数据驱动与物理驱动建模的融合在提升对AFSD中工艺-结构-性能关系理解方面有何作用？

主要发现

• 在所有SML回归算法中，梯度提升方法取得了最低的均方误差（MSE = 165.78），表明其具有更优的预测性能。
• 物理信息神经网络（PINN）方法成功将基本物理定律嵌入学习过程，提升了模型的可靠性。
• 集成方法（如梯度提升）在预测峰值温度场方面相比单个模型展现出更高的鲁棒性与准确性。
• 逻辑回归为基于工艺因素对沉积质量进行分类提供了可靠方法，支持工艺监控与控制。
• 集成的SML与PINN框架通过热管理实现了对显微组织调控的全面洞察。
• 该双方法体系有效弥合了数据驱动学习与第一性原理物理之间的鸿沟，提升了增材制造中模型的可解释性与预测准确性。