摘要
本研究提出了一种方法，利用多模态物理信息神经网络（PINN），通过四个独立的工艺参数来预测通过粉末床电弧增材制造（PBAAM）技术制造的316L不锈钢单道轨迹的几何特征。PBAAM与激光粉末床熔融（LPBF）采用相同的粉末沉积和分层机制，但以低电流微TIG电弧作为热源而非激光。研究人员开发了一种多任务PINN架构，能够同时根据四个输入参数（电弧电流、移动速度、工作角度以及工作距离），预测通过两种成像方式（俯视图和侧视电弧图）获得的五个几何特征，即电弧核心直径（Dq）、电弧锥角（αc）、热影响区宽度（wHAZ）、轨迹核心宽度（dcore）以及等效轨迹宽度（wiz）。该模型在包含36次实验的全因子训练矩阵上进行了测试，同时还在外部范围进行了4次纯速度 extrapolation实验。通过复合质量评分系统，23次训练实验被判定为稳定，13次则不稳定。在纯验证集中，电弧核心直径的均值绝对百分比误差为4.25%（95%置信区间为0.91–8.49），电弧锥角为6.29%（5.07–7.59），热影响区宽度为8.06%（6.08–9.82），而轨迹核心宽度的误差则为17.02%（10.77–21.62）。传统的回归方法在这个分布较窄的验证集上也取得了类似的总体误差水平；而该模型的优势在于能够同时、按物理规律预测这五个输出值。该模型中的Ayrton电压子模块无需任何直接电压测量，仅通过物理损失项就能得出U(I) = 11.33 + 97.13/I的公式，这一结果与低电流TIG电弧的物理特性相符。研究结果表明，在小样本条件下，物理信息学习方法可应用于PBAAM的工艺参数优化。该方法的有效性已在316L不锈钢、所研究的微TIG电极配置及工艺范围内得到验证，且仅针对单道轨迹而非多层结构，同时验证集也仅为在单一方向上有所变化的4次实验。
