中国3D打印网南京工业大学新研究：揭示人工智能如何预测电弧增材制造温度变化
2025年10月27日，来自南京工业大学的研究人员创建了一个人工智能（AI）模型，可以实时预测 3D 打印过程中的金属温度，从而提供一种提高 3D 打印部件一致性和质量的方法。这项研究由机械与动力工程学院的田明轩牵头，引入了一种基于物理的机器学习系统，能够预测电弧增材制造（WAAM）中的温度变化。
相关结果以题为“Physics-informed machinelearning-based
real-time long-horizon temperature fields prediction in metallicadditive
manufacturing”的论文发表在《通信工程》杂志上，展示了如何将物理定律与人工智能相结合来提高工业金属 3D 打印中温度预测的速度、准确性和适应性，从而支持更一致地生产高性能零件。
金属3D打印的温度控制至关重要，因为不均匀的加热或冷却会导致裂纹、应力和变形，从而削弱部件强度。虽然有限元模拟能够提供准确的预测，但计算过程需要数小时。相比之下，速度更快的数据驱动模型往往会累积误差，难以适应不断变化的条件。这个新系统被称为“基于物理的几何循环神经网络”，它将物理原理与深度学习相结合。它从数据和热传导定律中学习，使预测结果符合物理规律，并结合几何形状、材料特性和工艺参数来捕捉熔融金属在打印过程中的动态行为。
△实验系统和沉积案例示意图。图片来自南京工业大学通信工程系。
人工智能温度预测
在使用模拟和实验的测试中，模型分析了最近 1.25 秒的温度数据，以预测接下来 1.25 秒的热行为，这是过程控制的关键窗口。根据数据源的不同，模型的最大预测误差在4.5%（模拟）和 13.9%（实验）之间，并在约 12 毫秒的预测时间内生成结果，速度足以支持实时反馈。
与需要大约一小时才能完成的传统有限元模拟相比，人工智能模型几乎可以即时完成预测。结合几何和物理输入可将最大误差降低约
1%，而两者结合则可将最大误差降低约
4%。当使用迁移学习进行训练时，首先使用模拟数据，然后使用实验数据进行改进，系统在不降低准确率的情况下将训练时间缩短了 50%。
使用机器人WAAM装置进行的实验证实了模型的实际性能。系统逐层沉积薄壁钢结构时，热像仪监控了整个过程。尽管表面发射率和环境因素会造成变化，但AI模型仍能准确跟踪温度变化，并在长达约10秒（经测试长达11.25秒）的预测中保持稳定，这是管理热流和降低残余应力的关键时期。
通过将物理约束直接嵌入到网络中，AI模型限制了长期预测中经常出现的累积误差的积累。这是通过对边界条件进行硬编码和基于物理的损失函数来实现的，从而确保结果与实际热行为相符。研究人员发现，这种物理知识与数据学习的结合使系统能够有效地泛化到不同的工艺设置和组件几何形状中。
根据这项研究，该方法可以实现增材制造中的前馈控制，使机器能够在问题发生之前调整热量输入或送丝速度等工艺参数。它还可以在实时复制制造流程的数字孪生系统中发挥作用，从而改进监控、流程优化和质量保证。
尽管研究的重点是 WAAM，但通过使用特定于过程的数据重新训练模型，相同的方法可以适用于其他技术，例如激光或电子束沉积。这项工作强调了如何将物理学与机器学习相结合来克服纯计算或数据驱动方法的局限性，提高预测和控制金属 3D 打印中复杂热过程的能力。
△基于 FEM 和 PIML 模型的温度场预测结果性能。图片来自南京工业大学通信工程系。
预测热流的新模型
在金属3D打印中，温度预测是质量的隐秘关键，它指导着金属如何熔化并凝固成坚固可靠的结构。如果操作正确，温度预测可以避免代价高昂的缺陷和变形，将复杂的数字设计转化为完美的实体部件。
例如，西北大学和凯斯西储大学的研究人员开发了一个数字孪生框架，通过机器学习和贝叶斯优化来优化激光定向能量沉积 (DED)。系统集成了用于实时预测温度变化的贝叶斯长短期记忆 (LSTM) 神经网络和用于时间序列过程控制的贝叶斯优化算法。
模型基于 Inconel 718 数据进行训练，R² 达到 0.75，并量化了自适应反馈的不确定性。优化方法 BOTSPO 将热处理时间缩短了 26%，展现了一条数据高效的途径，可实现自主、自校正的 DED 系统，并实现实时预测控制。
2021年，内布拉斯加大学林肯分校、德雷塞尔大学、纳瓦霍技术大学和SigmaLabs的研究人员开发了一种数字孪生方法，用于检测激光粉末床熔合（LPBF）3D打印中的缺陷。这种方法将现场熔池温度测量与基于物理的热模拟模型相结合，模型可逐层更新温度分布预测。
LPBF系统在打印有故意缺陷的不锈钢叶轮上进行了测试，实时检测出工艺漂移、透镜分层和网络入侵。通过整合微观和宏观尺度的温度数据，模型实现了精确且可解释的缺陷检测，同时减少了金属增材制造的延迟、数据依赖和浪费。
版权声明
本站部分文章来源于网络，如有侵权请联系删除！。
文章观点并不代表本站观点，请谨慎对待。
相关文章
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。