MAM-PhyGNN:一种物理规则硬编码的图神经网络,用于金属增材制造中的快速准确热模拟

《Additive Manufacturing》:MAM-PhyGNN: A Physics-Hardcoded Graph Neural Network for fast and accurate thermal simulation in metal additive manufacturing

【字体: 大 中 小 】 时间:2026年04月24日 来源:Additive Manufacturing 11.1

编辑推荐:

  针对金属增材制造(MAM)中热场瞬态预测的高效与高精度需求,提出拓扑敏感且物理硬编码的图神经网络模型MAM-PhyGNN。该模型通过双分支架构,结合确定性的拉普拉斯块处理线性热传导,以及数据驱动的GNN修正非线性动力学,显著提升预测速度与稳定性。在激光粉末床熔融(LPBF)案例中,模型实现850倍速度提升,1000步长时预测相关系数达0.98。

  
金属增材制造(MAM)过程中瞬态热场的精准预测是工艺控制的核心挑战之一。传统高精度数值模拟方法如有限元分析(FEA)虽然理论上严谨,但存在计算效率低下的问题,单次模拟耗时可达数小时甚至更久,难以满足实时控制需求。而现有数据驱动模型如物理信息神经网络(PINNs)存在两大缺陷:其一,通过最小化偏微分方程(PDE)残差函数实现物理约束,属于“软约束”机制,在复杂非线性场景中容易陷入局部最优解,导致预测结果偏离物理本质;其二,缺乏拓扑感知能力,无法有效捕捉局部热传导的关键特征,尤其在处理动态变化的激光熔池区域时表现不足。这种物理约束与拓扑感知的缺失,使得传统模型在长时间序列预测中稳定性显著下降,难以支撑连续多层的制造过程。

针对上述问题,该研究提出MAM-PhyGNN框架,通过结构创新实现物理硬编码与数据驱动学习的有机融合。其核心突破在于构建双分支协同架构:基础分支采用基于拉普拉斯算子的物理硬编码模块,通过离散化的拉普拉斯-贝尔特拉米算子严格建模热传导的线性部分,这种设计确保了热方程的基本守恒律(如能量守恒)不被破坏。实验表明,仅依靠该模块已能获得稳定的初步预测,但难以捕捉材料属性随温度变化、边界条件动态调整等非线性效应。为此,数据分支引入图神经网络(GNN)架构,专门处理非线性修正项,通过消息传递机制动态学习空间拓扑关联。

该框架的关键创新体现在方法论层面。首先,将热传导问题重新定义为图动态系统,通过构建非结构化网格的图表示,使模型能够自适应捕捉局部热源(如激光熔池)与远场区域的非线性耦合关系。这种拓扑感知机制突破了传统PINNs将物理约束作为优化目标的局限,从架构层面确保了空间关联的显式建模。其次,双分支架构通过分离线性物理约束与非线性行为建模,形成互补机制:物理分支提供数值稳定性,数据分支提升预测精度。这种解耦设计使得模型在保证物理一致性的前提下,能够通过数据学习复杂非线性特征,如温度依赖的热传导系数、相变潜热等动态参数。

实验验证部分以激光粉末床熔融(LPBF)工艺中镍基合金718的瞬态热场为研究对象,展示了该框架的多维优势。在计算效率方面,与传统PINNs相比,MAM-PhyGNN在保持相同精度的条件下实现850倍加速,单次预测耗时从50分钟缩短至3.6秒。这种高效性源于物理硬编码模块对线性热传导的快速求解,而非依赖数据拟合。在预测稳定性方面,通过1000步的自主递归预测测试,模型持续保持与真实解98%的皮尔逊相关性,显著优于仅依赖数据驱动的传统方法。这种长期稳定性源于物理模块的确定性输出,有效抑制了误差累积效应。

对比实验进一步揭示了MAM-PhyGNN的架构优势。传统GNN模型在处理非结构化网格时,由于缺乏物理先验,需要依赖海量标注数据来学习空间拓扑关系,导致泛化能力受限。而本框架通过物理模块的硬编码约束,使模型能够以更少的数据量实现稳定预测。例如,在测试不同几何复杂度的3D打印件时,MAM-PhyGNN在数据量减少40%的情况下仍能保持85%以上的预测精度,验证了物理嵌入的有效性。

在工业应用层面,该框架展现出明确的工程价值。其预测速度的提升使得实时闭环控制成为可能,例如通过预测熔池边缘温度梯度变化,系统可在激光功率调节、送粉速率优化等关键参数的毫秒级调整窗口内实现动态补偿。稳定性优势则体现在长工艺周期(如数百层连续制造)中,传统模型因误差累积导致预测失效,而MAM-PhyGNN通过物理约束模块持续修正误差,保障了连续制造过程的热稳定性。

方法论创新方面,研究团队提出“动态图构建”策略,将热传导方程的空间离散与图结构动态关联相结合。在每一步时间积分中,系统根据当前温度场自动调整节点间的连接权重,使图结构随制造进程演进。这种自适应图神经网络(AGNN)架构突破了传统静态图结构的局限性,在测试不同激光扫描路径时,模型能自动识别熔池运动轨迹与热传导路径的拓扑关联,将预测误差降低至传统方法的1/3。

模型的可解释性也是重要突破。通过可视化物理分支的拉普拉斯算子作用结果,研究者发现线性模块主要贡献于热传导的基模态,而数据分支则专注于学习高阶非线性特征。这种结构分离使得模型既能通过物理约束排除非物理解(如负温度),又能通过数据分支捕捉制造过程中的动态耦合效应,如层间热应力累积与激光功率波动的非线性响应。

在实施层面,研究团队设计了高效的混合训练策略。物理分支的拉普拉斯模块采用预计算技术,通过离散拉普拉斯算子将偏微分方程转化为线性代数系统,而数据分支的GNN则通过自注意力机制动态学习节点间的相互作用模式。这种混合计算架构使得训练过程能并行处理物理约束计算与数据驱动学习,将训练时间压缩至传统PINNs模型的1/5。

未来研究方向主要集中在两个维度:首先,将物理硬编码扩展到多物理场耦合场景,如同时考虑热应力场与熔池流动场的相互作用;其次,开发轻量化推理框架,将单次预测耗时进一步降低至毫秒级,以满足工业生产线实时监控的严苛要求。该研究为增材制造领域提供了可扩展的预测框架,其方法论对其他复杂物理系统建模(如流体力学、电磁场仿真)具有重要借鉴意义,特别是在需要长期稳定预测的工业场景中,有望成为数字孪生技术的关键支撑模块。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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