基于数字孪生的多尺度建模，实现金属增材制造过程中的实时缺陷预测

《Scientific Reports》：Digital twin–driven multiscale modelling for real-time defect prediction in metal additive manufacturing

　　

摘要

本文提出了一种基于数字孪生的多尺度建模系统，该系统能够实时预测金属增材制造过程中的缺陷，初步验证工作针对激光粉末床熔融工艺展开。虽然该框架设计为可适用于多种粉末床熔融及定向能沉积工艺，但所有实验均使用公开可用的NIST AM-Bench基准数据集中的IN625和Ti-6Al-4V材料在激光粉末床熔融工艺上进行。该系统通过分层式的物理信息神经网络替代模型，结合微观熔池动力学、中观热场以及宏观结构变形特征，并依托实时的物联网传感器网络作为支撑。其架构分为边缘层、雾计算层和云层三部分，推理任务在对延迟敏感的边缘节点上执行，雾计算层负责替代模型的数据聚合，而云层则用于数字孪生的校准。热成像、声发射和光学监测等技术可为数值模型提供基于传感器的反馈，从而在激光粉末床熔融和定向能沉积过程中实现过程的实时自适应控制。所采用的混合卷积神经网络-长短期记忆网络模型可用于提取时空缺陷特征，进而对包括气孔、未熔合、裂纹、球化、键槽形成和分层在内的六类缺陷进行分类，其宏观平均F1分数可达0.9841。该多尺度耦合机制、贝叶斯校准及替代模型训练过程由二十五个控制方程来描述。通过公开的可用NIST AM-Bench数据集进行的实验表明，所提出的DT-MSM结构在边缘硬件上的平均缺陷检测率为98.72%，每帧的推理延迟为11.3毫秒，性能优于其他七种对比模型。在模拟的激光粉末床熔融生产环境中，该框架可使废品率降低34.6%，预测性维护的响应时间缩短41.2%，且在预测气孔和裂纹方面相比离线模拟具有更强的能力。结果是在五种不同随机种子条件下计算得出的平均值及标准差，统计显著性通过配对t检验验证（p<0.01）。所提出的方法为新一代金属增材制造生产系统中的智能制造和质量控制提供了有力支持。