金属增材制造中温度场预测的物理信息机器学习方法：基于热扩散约束的3D卷积自编码器研究

针对金属增材制造(AM)中传统数据驱动机器学习(ML)模型依赖大数据、缺乏物理可解释性的问题，研究人员提出了一种融合热传导物理机制的3D卷积自编码器(CAE)方法。通过将热扩散方程嵌入潜在空间约束，该模型在电弧增材制造(WAAM)的冷却和沉积阶段实现了温度场的高精度预测，均方根误差分别低于2℃和60℃，为AM数字孪生提供了兼具计算效率与物理一致性的新型建模框架。

　　

金属增材制造(Additive Manufacturing, AM)作为工业4.0时代的革命性技术，正在重塑航空航天、生物医疗等领域的复杂构件生产方式。然而，这一过程中剧烈的温度波动会显著影响构件几何精度、力学性能和微观组织演变，使得热历史成为"工艺-结构-性能"关系的核心纽带。传统有限元法(FEM)虽能模拟热行为，但计算成本高昂难以实时应用；数据驱动机器学习(ML)虽提速明显，却面临"黑箱"模型缺乏物理约束、依赖海量数据的困境。如何在保证预测速度的同时赋予模型物理可解释性，成为实现AM数字孪生的关键挑战。

针对这一难题，中国某高校研究团队在《Journal of Industrial Information Integration》发表研究，创新性地将热传导物理定律嵌入机器学习架构。该工作设计了两个核心模型：冷却阶段采用融合显式热扩散计算的物理信息卷积自编码器(CAE)，沉积阶段则开发了潜在空间受热扩散方程约束的改进CAE模型。通过有限元仿真数据训练和电弧增材制造实验验证，证明该方法仅需少量数据即可实现温度场的高效预测，冷却阶段均方根误差(RMSE)控制在2℃以内，沉积阶段误差低于60℃，显著优于纯数据驱动模型。

关键技术方法包括：1) 基于FEM生成多沉积路径的薄壁/立方体结构温度场训练集；2) 构建3D-CAE网络架构，在潜在空间嵌入热扩散方程约束；3) 采用红外热成像(382×288像素，80Hz采样率)实测验证；4) 通过消融实验对比数据驱动CAE、物理信息CAE及潜在空间约束CAE的性能差异。

方法论
研究团队建立了包含机器人焊接系统、红外热像仪的数字孪生实验平台，采用低碳钢材料制备不同路径的薄壁和立方体试件。通过将FEM仿真数据输入3D-CAE网络，在编码器-解码器结构中引入等效热导率计算模块，使模型在压缩数据维度的同时保持热物理规律。

实践实验
ABB IRB 2600机器人配合CMT焊接设备完成构件制备，红外热像仪(0-900℃量程)实时采集温度场数据。结果显示物理约束使模型在少量数据下即可识别热效率分布特征，适应不同几何结构的预测需求。

结果与讨论
冷却阶段物理信息CAE的预测误差较传统ML降低67%，训练迭代次数减少50%。沉积阶段潜在空间约束模型展现出更强的特征分层能力，其热效率预测误差较无约束模型降低42%。这种物理嵌入策略有效解决了数据驱动模型在训练数据外推时的失效问题。

结论
该研究开创性地将热传导物理机制作为潜在空间约束，构建了兼具计算效率与物理可解释性的AM温度场预测框架。不仅为WAAM工艺优化提供了新工具，更通过"物理规则+数据特征"的双重编码策略，为其他AM现象建模及数字孪生系统开发树立了范式。未来可进一步探索多物理场耦合约束在熔池动力学、残余应力预测等场景的应用潜力。