南京理工大学团队研发出基于内嵌物理信息深度学习模型的增材制造预测技术 | Engineering

文章速览

南京理工大学韦辉亮、廖文和研究团队在中国工程院院刊《Engineering》2023年4月刊发《基于内嵌物理信息深度学习模型的增材制造工艺参数及熔池尺寸预测》一文，指出熔池特征对激光粉末床熔融（LPBF）的打印质量有显著影响，打印参数和熔池尺寸的定量预测对LPBF中复杂过程的智能控制至关重要。然而，由于高度非线性，打印参数和熔池尺寸的双向预测一直极具挑战。为了解决此问题，文章融合典型实验、机理模型和深度学习研究激光PBF过程中关键参数和熔池特性的正向和逆向预测。实验提供基础数据，机理模型显著增强数据集，多层感知器（MLP）深度学习模型则根据实验和机理模型构建的数据集预测熔池尺寸和工艺参数。文章表明可以实现熔池尺寸和工艺参数的双向预测，最高预测准确率接近99.9%，平均预测准确率超过90.0%。此外，MLP模型的预测准确率与数据集的特征密切相关，即数据集的可学习性对预测准确率有至关重要的影响。通过机理模型增强数据集后的最高预测精度为97.3%，而仅使用实验数据集时的最高预测精度只有68.3%。MLP模型的预测准确率在很大程度上取决于数据集的质量。结果表明，使用MLP进行复杂相关性的双向预测对于激光PBF是可行的，文章为选定智能增材制造的工艺条件和结果提供了一个新颖而有用的框架。

关键词：

增材制造 ; 熔池 ; 模型 ; 深度学习 ; 可学习性

文章信息：

Mingzhi Zhao, Huiliang Wei, Yiming Mao, Changdong Zhang, Tingting Liu, Wenhe Liao .Predictions of Additive Manufacturing Process Parameters and Molten Pool Dimensions with a Physics-Informed Deep Learning Model[J].Engineering,2023,23(4):181-195.

原文链接：

http://www.engineering.org.cn/en/10.1016/j.eng.2022.09.015

扫二维码｜查看原文

欢迎关注我们

Engineering

ISSN 2095-8099

CN 10-1244/N

IF 12.8 Q1