基于变分物理的神经网络用于3D瞬态熔池热建模
徐正浩、
王鑫、
孟源、
王明伟、
王向龙
《Applied Sciences》:Variational Physics-Informed Neural Network for 3D Transient Melt Pool Thermal Modeling
Zhenghao Xu,
Xin Wang,
Yuan Meng,
Mingwei Wang and
Xianglong Wang
【字体:
大
中
小
】
时间:2026年04月15日
来源:Applied Sciences 2.5
编辑推荐:
摘要
在激光粉末床熔融(LPBF)过程中,准确预测熔池的热场对于理解熔池几何形态和缺陷形成机制至关重要。然而,传统的有限元方法(FEM)在参数化过程探索方面存在计算成本过高的问题。本文提出了一种基于变分物理信息的神经网络
摘要
在激光粉末床熔融(LPBF)过程中,准确预测熔池的热场对于理解熔池几何形态和缺陷形成机制至关重要。然而,传统的有限元方法(FEM)在参数化过程探索方面存在计算成本过高的问题。本文提出了一种基于变分物理信息的神经网络(VPINN)框架,用于GH3536单行LPBF扫描的3D瞬态热场建模。该框架采用连续可微的Goldak双椭球运动热源、温度依赖的热物理性质替代模型,以及对固液相变和蒸发过程中潜热的有效热容量处理。这些组件被整合到一个弱形式残差最小化方案中,该方案结合了八叉树自适应域分解、层次化的勒让德测试函数以及顺序滑动窗口时间推进算法。通过稀疏的实验熔池数据作为监督信息,网络参数和有效吸收率被同时推断出来。在参数研究范围内(激光功率从100 W到140 W,扫描速度从1000 mm/s到1500 mm/s),预测的熔池宽度、深度和长宽比与FEM基准值以及横截面光学显微照片测量结果高度吻合。在所有监督条件和无监督插值条件下,总相对L2节点温度误差范围为3.23%至6.75%。通过一次离线训练(耗时15,323秒)即可同时处理全部参数空间,该框架将每次条件查询的时间从FEM的3000–4000秒缩短至仅4–5秒,实现了两到三个数量级的加速,使得该框架在高通量参数研究和数字孪生集成中具有越来越高的成本效益,尤其是随着查询条件数量的增加。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号