基于物理知识的神经网络在Inconel 718超级合金激光粉末床熔融工艺优化中的应用:一种数据高效、受物理约束的机器学习框架 Saurabh Tiwari, Seong Jun Heo, Nokeun Park

《Metals》:Physics-Informed Neural Networks for Process Optimization in Laser Powder Bed Fusion of Inconel 718 Superalloy: A Data-Efficient, Physics-Constrained Machine Learning Framework Saurabh Tiwari, Seong Jun Heo and Nokeun Park

【字体: 大 中 小 】 时间:2026年05月03日 来源:Metals 2.5

编辑推荐:

   摘要 本研究旨在开发并验证一种基于物理知识的神经网络(PINN)框架,以实现激光粉末床熔融(LPBF)工艺中Inconel 718(IN718)超合金的数据高效和物理一致性优化。激光粉末床熔融(LPBF)广泛应用于航空航

  



摘要



本研究旨在开发并验证一种基于物理知识的神经网络(PINN)框架,以实现激光粉末床熔融(LPBF)工艺中Inconel 718(IN718)超合金的数据高效和物理一致性优化。激光粉末床熔融(LPBF)广泛应用于航空航天和能源领域中Inconel 718组件的制造;然而,如何在高维、非线性的工艺参数空间中进行优化仍是一个核心挑战。高保真的有限元仿真在参数扫描方面计算成本过高,而纯粹的数据驱动机器学习(ML)模型则受到数据稀缺性和非物理外推行为的限制。本研究提出的基于物理知识的神经网络(PINN)框架将瞬态热传导方程和Goldak双椭球形热源模型直接嵌入到神经网络训练损失函数中,从而在保证数据准确性的同时确保热物理一致性。该模型基于来自同行评审实验研究和有限元仿真输出的精心整理的多源LPBF IN718参数组合数据集进行训练,这些数据涵盖了激光功率(70–400 W)、扫描速度(200–2000 mm/s)、层间距(50–140 μm)和层厚度(20–50 μm)等参数范围。PINN模型预测的熔池宽度、深度、峰值温度和相对密度的平均绝对百分比误差(MAPE)分别为3.8%、4.7%、3.1%和1.9%,其性能优于具有相同架构的基线人工神经网络(ANN)。该框架正确识别出了最佳体积能量密度(VED)窗口为55–105 J/mm3,使得相对密度达到≥99.5%,与已发表的IN718实验阈值一致。数据效率分析表明,仅使用25%的训练数据,PINN的性能就相当于使用100%数据的完全训练ANN,这证明了物理知识正则化带来的数据效率提升约为四倍,与理论预测一致。通过自动微分进行的敏感性分析确认,激光功率和扫描速度是主要影响参数的因素(合计方差约85%),这与以往的研究结果一致。本研究为航空航天和能源领域中In718组件的快速工艺优化提供了一种计算效率高、可解释且物理一致的机器学习方法。



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