Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks

📄 arXiv: 2401.02403v1 📥 PDF

作者: Pouyan Sajadi, Mostafa Rahmani Dehaghani, Yifan Tang, G. Gary Wang

分类: cs.LG, cs.AI

发布日期: 2024-01-04

备注: 42 pages, 13 Figures

💡 一句话要点

提出物理信息神经网络以解决金属增材制造中的温度场预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金属增材制造 温度场预测 物理信息神经网络 卷积长短期记忆 实时监控 深度学习

📋 核心要点

  1. 现有的物理模型虽然精确，但在实时预测和在线控制方面存在时间成本高的问题。
  2. 本文提出了一种物理信息神经网络框架，结合物理知识与深度学习，提升温度场预测的实时性和准确性。
  3. 实验结果表明，所提框架在不同场景下的预测误差均低于3%和1%，展示了其广泛的适用性。

📝 摘要（中文）

准确预测金属增材制造过程中的温度场对于防止过热、调整工艺参数和确保过程稳定性至关重要。尽管基于物理的计算模型提供了高精度，但往往耗时且不适合实时预测和在线控制。机器学习模型则依赖于高质量的数据集，这在金属增材制造领域中获取困难。本文提出了一种专门设计的物理信息神经网络框架，用于金属增材制造中的温度场预测。该框架结合了物理信息输入、物理信息损失函数和卷积长短期记忆（ConvLSTM）架构。利用实时温度数据，我们的模型能够在不同几何形状、沉积模式和工艺参数下预测未来时间戳的二维温度场。通过对薄壁的全场温度预测和圆柱体及立方体部件的二维温度场预测进行验证，误差分别低于3%和1%。

🔬 方法详解

问题定义：本文旨在解决金属增材制造中温度场预测的实时性和准确性问题。现有的物理模型虽然精确，但由于计算复杂度高，难以满足实时控制的需求。

核心思路：提出的物理信息神经网络框架通过结合物理知识和深度学习，利用实时数据进行温度场预测，从而提高预测的效率和准确性。

技术框架：该框架主要包括三个模块：物理信息输入模块、物理信息损失函数模块和卷积长短期记忆网络（ConvLSTM）模块。通过这些模块的协同作用，实现对未来时间戳的二维温度场预测。

关键创新：最重要的创新在于将物理知识融入神经网络的输入和损失函数中，使得模型不仅依赖于数据驱动，还能利用物理规律进行约束，从而提高预测的可靠性。

关键设计：在网络设计中，采用了ConvLSTM结构以处理时间序列数据，并设计了特定的损失函数以确保模型输出符合物理规律。

📊 实验亮点

实验结果显示，所提框架在薄壁全场温度预测中误差低于3%，在圆柱体和立方体部件的二维温度场预测中误差低于1%。这些结果表明，该方法在实时性和准确性方面显著优于传统物理模型。

🎯 应用场景

该研究的潜在应用领域包括金属增材制造过程的实时监控与控制，能够有效防止过热和提高产品质量。此外，该框架的灵活性使其适用于不同的工艺参数和几何形状，具有广泛的工业应用前景。

📄 摘要（原文）

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.