基于热力学物理信息神经网络的激光金属沉积热应力演化预测研究

本研究针对金属增材制造(AM)中热应力演化的高精度预测难题，创新性地提出融合物理定律的神经网络(PINN)框架，通过将热力学控制方程嵌入深度神经网络，实现了激光金属沉积(LMD)过程中温度场与热应力的高效预测。该模型仅需少量仿真数据辅助即可提升精度，其参数迁移特性可作为在线软传感器，较传统数值模型计算效率提升显著，为AM工艺优化提供了新型科学机器学习(SciML)解决方案。

　　

金属增材制造(Additive Manufacturing, AM)技术正在重塑航空航天、生物医疗等领域的复杂零件生产方式，但过程中剧烈的温度波动引发的热应力问题如同"隐形杀手"——它会导致零件变形开裂、降低机械性能，甚至引发打印过程中刮刀碰撞等生产事故。传统有限元分析(FEA)虽能模拟这一过程，但计算耗时长达数小时；而纯数据驱动的机器学习(ML)又面临"数据饥渴"困境，需要海量实验或仿真数据喂养。这种两难境地严重制约着AM技术的工业化应用进程。

针对这一瓶颈问题，中国的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，开创性地将物理信息神经网络(Physics-Informed Neural Network, PINN)引入激光金属沉积(LMD)工艺研究。该团队设计的 thermo-mechanical PINN 框架巧妙地将能量守恒方程和力学本构关系编码进神经网络，通过自动微分技术精确求解偏微分方程(PDE)，实现了温度场-位移场-应力场的端到端预测。关键技术包括：1) 构建多任务学习架构同步预测温度与应力场；2) 采用自适应激活函数增强非线性建模能力；3) 融合少量FEA仿真数据加速训练；4) 开发参数迁移算法实现新工艺参数的快速预测。

数学建模部分揭示了LMD过程的物理本质：热传导方程控制温度场演化，热弹性方程关联温度梯度与应力分布。研究特别处理了移动激光热源项和材料相变潜热等非线性项，为PINN提供了完整的物理约束体系。

PINN方法学展示了创新架构设计：采用8层全连接网络，每层128个神经元，通过残差连接增强梯度传播。损失函数包含PDE残差、初始/边界条件、以及数据拟合项的三重约束。研究特别对比了"硬约束"与"软约束"边界条件的实现效果，发现前者能提升30%的收敛速度。

结果讨论部分通过三个关键实验验证模型价值：1) 纯物理驱动模式下，仅用控制方程即可预测温度场(误差<5%)和应力场(误差<8%)；2) 补充10%的FEA数据后，训练迭代次数减少60%而精度提升至98%；3) 迁移学习测试中，预训练模型对新激光功率的预测耗时仅0.5秒，相比FEA的4小时提速28800倍。

结论与展望指出该研究突破了传统数值模拟与纯数据驱动ML的双重局限：一方面，PINN的mesh-free特性避免了FEA的网格划分开销；另一方面，物理约束大幅降低了对训练数据量的依赖。作为科学机器学习(SciML)在AM领域的成功示范，该模型可扩展至多材料打印、拓扑优化等场景。作者建议未来研究可结合强化学习构建闭环控制系统，最终实现"打印即完美"的智能AM生产范式。

这项工作的核心价值在于：首次将PINN应用于AM多物理场耦合的应力预测难题，其"物理规律+少量数据"的混合建模范式，为制造业数字化转型提供了新思路。正如论文强调的，当传统方法在精度与效率间艰难权衡时，PINN提供了一把打开"高保真实时仿真"之门的钥匙，这将显著加速AM技术从实验室走向工厂车场的进程。