综述:融合物理与数据的科学机器学习在金属粉末床熔融中的应用

《JOURNAL OF INTELLIGENT MANUFACTURING》:Bridging Physics and Data in Metal Powder Bed Fusion with Scientific Machine Learning

【字体: 大 中 小 】 时间:2026年03月05日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  金属粉末床熔融(PBF)是现代制造复杂性的典型代表,其热学、力学及流体动力学相互作用强耦合,且在多空间与时间尺度上演化。以预测保真度捕捉这类多尺度现象,仍是实现可靠、可重复且可认证的金属增材制造的核心理性障碍。有限元法(FEM)、有限体积法(FVM)等传统数值

  
金属粉末床熔融(PBF)是现代制造复杂性的典型代表,其热学、力学及流体动力学相互作用强耦合,且在多空间与时间尺度上演化。以预测保真度捕捉这类多尺度现象,仍是实现可靠、可重复且可认证的金属增材制造的核心理性障碍。有限元法(FEM)、有限体积法(FVM)等传统数值求解器虽具备物理严谨性,但在设计探索、不确定性量化及实时控制场景中计算成本过高。本文提出科学机器学习(SciML)作为统一范式,桥接基于物理建模的可解释性与数据驱动推理的适应性。通过将控制物理定律直接嵌入学习流程或在架构中引入物理偏置,SciML能够构建兼具数据效率与物理一致性的模型,既可加速高保真仿真,又能支撑原位工艺优化。本综述围绕三大持续性挑战展开:源于多物理场耦合交互的数学复杂性、物理信息优化固有的训练不稳定性,以及限制工业部署的实际集成壁垒。研究人员分析了物理信息神经网络(PINN)与神经算子(NO)等新兴方法如何应对这些挑战,并推动鲁棒、可泛化的工艺代理模型发展。除梳理现有方法外,本文还规划了通向物理基数字孪生(DT)的发展路线图,标志着迈向智能、自校正金属增材制造系统的变革性一步。

引言

增材制造(AM)涵盖一系列以数字模型为基础、通过多种材料与技术原理直接制备三维构件的工艺。根据初始材料状态、铺层形成机制及层间结合策略可对这类工艺进行分类。尽管不同技术通过各异的物理机制逐层叠加材料,但均共享统一的数字化工作流:从构件计算机辅助设计(CAD)模型出发,经中间三角网格表征转换为超薄切片序列。在此背景下,采用金属材料的AM技术——金属增材制造(MAM)因可制备复杂、轻量化、高定制化金属构件,正逐步成为传统减材工艺的替代方案。选择性沉积所需金属材料的MAM核心思路减少了金属浪费,且无需工装即可实现快速设计迭代,这对涉及复杂定制化设计的航空航天、汽车及生物医学领域尤为具有吸引力。
MAM最主流的两类工艺为粉末床熔融(PBF)与直接能量沉积(DED)。PBF通过铺展细金属粉末薄层,利用激光或电子束选择性熔化粉末,可获得高几何分辨率与优异表面质量;DED则将粉末或丝材直接沉积至熔池,虽几何精度略低,但可实现更高沉积速率与更大构件成形。二者虽存在差异,但均突破了传统制造的设计自由度限制,且可通过调控工艺参数定制最终构件的冶金性能,近年来工业关注度与应用规模持续增长。
然而MAM制造过程受控于复杂强耦合的物理现象,精确工艺控制难度极高,可靠性与可重复性问题仍是大规模工业部署的核心障碍。针对这一挑战,研究日益聚焦于基于反馈回路的闭环控制策略,这类方法通常整合原位监测系统采集的测量数据与物理基、数据驱模型两类先验知识。在闭环框架中,仿真作为连接两类信息源的预测计算工具发挥核心作用:通过融合实时测量与先验知识,仿真可预测工艺演化并预判系统对工艺参数变化的响应,支撑优化与控制决策,自然延伸至数字孪生(DT)概念——即通过实时传感器数据与运行反馈持续演化的系统综合虚拟表征。在制造尤其是MAM领域,DT整合了描述制造过程中材料行为的物理基与数据驱模型、制造设备虚拟表征及设计工作流,可实现监测与预测功能,并支撑控制策略在物理生产系统上的测试与部署。为实现有效运行,DT需持续从真实工艺中获取数据、更新内部模型并生成满足预设目标的响应。这类闭环功能要求仿真模型具备近实时运行、计算高效、自适应与足够精度的特性,而这也正是传统数值方法的短板。
传统MAM仿真多基于有限元法(FEM)与有限体积法(FVM),这类方法对控制偏微分方程(PDE)的近似具备严谨物理一致性,可深入揭示工艺的热学、力学及冶金行为,但也存在计算需求高、网格划分流程复杂、设计或工艺参数修改后需重复计算等缺陷,难以集成至反馈回路或实时优化框架。而实时与自适应能力正是科学机器学习(SciML)仿真技术的核心特征:通过结合第一性原理模型与机器学习(如神经网络),SciML在数据为稀缺场景下尤为适用。这类方法中,先验物理知识并非作为外部约束施加,而是显式嵌入学习流程、代理模型架构或训练数据中,在传统数值仿真与纯数据驱模型间建立了自然桥梁,可在实现高保真系统行为表征的同时,提升计算效率与实时适应性。
尽管神经网络用于求解微分问题的历史较长,但其现代主流形式——物理信息神经网络(PINN)直至近年才正式提出。PINN通过在计算域内采样点、最小化网络预测与控制物理方程的不匹配损失函数来近似微分问题解,既提升了计算效率,又提供了物理定律与实验观测融合的自然途径。神经算子(NO)则是另一类互补且影响力日益增长的研究方向,其目标是通过有限量仿真数据学习相关问题的参数化解算子,实现对系列关联问题的映射学习。在MAM场景中,PINN与NO均已展现出高效预测制造过程中复杂热学与力学场的潜力,可支撑工艺与几何优化,同时显著降低昂贵重复数值仿真的依赖,是实现能与制造系统实时交互的DT的核心支撑技术。

研究动机与贡献

尽管SciML优势显著,但其在实际场景中的落地仍受限于三类挑战:一是数学复杂性,真实MAM过程涉及多物理场、多尺度、时变交互,增加了建模与物理信息学习的难度;二是训练不稳定性,物理信息优化通常导致高度非凸的多目标问题,易阻碍收敛与稳定性;三是实施与可用性壁垒,现有框架普遍要求使用者同时掌握数学建模、物理与机器学习知识,而这三类技能在工艺工程师或材料科学家中极少同时具备。基于此,本文系统梳理面向MAM的前沿SciML技术,围绕上述三类挑战组织内容,明确当前能力、现存缺口及开发快速物理信息仿真模型的未来机遇,重点关注PBF工艺。PBF本身具备强耦合多物理场交互(热学、力学、流体动力学、光学)、跨尺度行为(从单粉末颗粒到全构件热循环)及时变特性(跨差异显著的时间尺度),既是高精度建模的难点,也是验证与推进物理信息机器学习方法的理想基准,这为本文综述提供了充分动机,也凸显了融合物理洞察与数据驱建模以实现预测性、高效、可泛化仿真的重要性。

文献定位

除通用的科学机器学习综述及制造场景下物理信息机器学习的宏观概述外,近期已涌现大量针对PINN与NO的专用综述,这类研究多侧重算法分类与跨领域基准测试。在金属增材制造领域,现有综述多聚焦数据驱监测、工艺-结构-性能建模、微观结构预测或特定材料应用,而非建造过程的仿真与控制。本文的创新性在于采用以仿真为核心、面向工艺层面的视角:现有综述多关注逆问题(即从观测数据与物理先验中推断未知模型参数),而本文聚焦正问题——即采用物理信息方法求解控制物理现象的微分方程。具体而言,本文重点探讨PINN与NO,分析这两类方法如何应用于加速PBF过程热-流体与力学耦合行为的仿真。除梳理算法进展外,本文还剖析了多物理场PBF建模固有的数学与计算挑战,分析了现有公式的训练与稳定性瓶颈,评估了工业部署所需的软件框架与技术成熟度。这种从仿真到落地的视角将本文与侧重理论发展或应用分类的现有综述区分开来,通过连接SciML的方法论进展与自主智能金属增材制造的实际需求,明确了SciML作为数字孪生驱动PBF核心使能技术的定位。本文不属于元分析,而是采用最新进展综述视角,综合SciML在金属PBF领域的代表性方法论贡献,讨论聚焦建模公式、训练挑战及面向智能制造系统的集成路径,不对文献进行穷举枚举或统计证据聚合。鉴于综述研究的主体为方法论与仿真类工作,未采用正式的质量或偏倚风险评分框架,而是在全文定性讨论各方法的假设、局限与成熟度,并在各主题板块突出代表性工作。本文未提出新的数字孪生定义或架构,而是梳理与组织前沿科学机器学习成果,将其作为金属增材制造中物理基、实时数字孪生的使能仿真技术。

综述设计与组织

本文文献检索覆盖Web of Science、Scopus与Google Scholar,核心检索式为(“physics-informed neural network” OR “neural operator”)AND(“powder bed fusion” OR “metal additive manufacturing”),同时纳入无应用场景约束的深层相关研究。检索时段主要覆盖2017年(PINN诞生年份)至2025年,必要时纳入更早的奠基性研究。检索后剔除重复记录,通过标题与摘要筛选排除明显偏离主题及未引入算法创新的非MAM相关研究,再基于方法论相关性、对金属增材制造工艺的适用性及对底层数学模型计算挑战的应对能力进行全文评估。最终筛选出约70篇同行评审研究,涵盖面向金属PBF的SciML正问题建模与仿真、紧密相关的增材制造工艺,以及原则上可迁移至PBF仿真的通用物理现象模型,排除仅聚焦逆问题、无物理约束的纯数据驱黑箱模型及无可迁移物理机制的非金属增材制造工艺研究。全文其余部分组织如下:第2节阐述SciML背景,介绍PINN与NO的公式;第3节解析PBF过程的数学建模及传统数值方法与SciML均面临的计算挑战;第4节综述面向PBF模型的SciML仿真研究现状;第5节梳理缓解训练挑战的现有方法;第6节分析SciML算法的实际落地路径、可用软件框架及工业集成方案;第7节总结开放问题与未来研究方向。

科学机器学习背景

SciML是一类将机器学习技术与计算科学原理融合的方法集合,通过结合物理先验与实测数据提取的信息,发挥两类范式的互补优势,提升模型的泛化性、灵活性与计算效率。从建模视角看,SciML可视为经典灰箱或半经验建模策略的现代算法形式化,依托于机器学习与数值计算的最新进展。SciML算法通常按解决的问题类型分为正问题与逆问题:正问题聚焦求解描述物理现象的微分方程,逆问题则旨在结合不同程度的物理先验(从纯数据驱黑箱到基于已知物理模型的灰箱、白箱公式)从数据中推断模型或未知参数。鉴于本文核心目标是高效仿真PBF过程并保留仿真过程中融入测量的能力,后续内容仅聚焦正问题,其中PINN与NO是最契合需求的SciML算法家族。

物理信息神经网络

PINN及其广义物理信息学习框架提供了在单一模型中融合物理定律与观测数据的统一方案。该架构中,神经网络以域内的时空坐标为输入,输出表征系统状态或演化的物理量。训练过程通过最小化聚合多目标的标量损失函数实现,目标通常包括:一是物理基损失项,用于强制满足控制底层行为的PDE;二是边界条件与初始条件损失项;若具备可用数据,还可加入监督损失项。对于定义在空间域Ω、时间区间[0,T]上的含时问题,控制方程为??[u]=f(域内)与?[u]=g(边界),初始条件为u(x,0)=h(x),其中??为可能包含时间导数的微分算子,?为边界算子,u(x,t)为待求的物理场(如温度、位移、应力),f、g、h为正问题中已知的已知函数。PINN通过参数为θ的神经网络uθ近似u的解,最优参数通过最小化损失函数?(θ)=λr?r(θ)+λb?b(θ)+λ0?0(θ)获得,其中?r为残差损失(衡量网络近似解在计算域内对控制微分方程的满足程度),?b为边界损失(强制满足物理有意义的边界约束,如自由表面对流辐射、激光热输入或熔池边界流动条件),?0为初始条件损失(确保与系统初始状态的一致性,如粉末床或基板在激光照射前的初始温度分布)。若存在额外实验测量或仿真数据,可加入监督损失项进一步引导训练。边界与初始条件也可通过网络结构硬约束实现,例如通过构造uθ(x,t)=g(x)+a(t)·NNθ(x,t)(其中a(0)=0),可确保初始条件u(x,0)=g(x)严格满足,无需额外损失项。

PINN的训练挑战

尽管PINN兼具推理高效与物理数据融合的优势,其训练仍存在三类易导致收敛失败的核心问题:一是损失分量不平衡,原始PINN将多目标优化简化为加权求和的单损失函数,在复杂刚性系统中常失效。研究表明,不同损失项的梯度分布往往高度失衡,边界与初始条件损失的梯度量级通常比残差损失小数个数量级,这源于残差项包含的微分算子会放大局部误差,而边界与初始条件仅在域的有限子集上作用,加之各损失项的配点数量与分布差异,进一步加剧了失衡。这种失衡会导致优化过程优先最小化残差损失,忽视边界与初始条件的准确强制,使网络无法将约束的影响传播至全域,最终得到非物理或不一致解;同时梯度量级的差异会引发优化动态的刚度问题,迫使优化器采用极小步长以维持稳定,严重减缓收敛、引发振荡甚至发散。二是谱偏置(频率原理),即神经网络倾向于先学习目标函数的低频(平滑)分量,再缓慢学习高频分量(如激波、湍流涨落等)。通过神经切线核(NTK)理论分析可知,PINN训练动态中较大特征值通常对应低频分量,这解释了谱偏置的来源,通过谱特征增强或损失分量自适应加权可改善训练收敛性与鲁棒性。三是不动点吸引,动力系统的不动点u满足f(u)=0,若神经网络输出uθ=u*,则残差f(uθ)=0,对应残差损失的极小值,且该极小值周围存在非平凡吸引域。这意味着物理系统的稳定与不稳定不动点均可能吸引PINN的优化动态,导致网络陷入满足损失最小化但不符合实际系统动力学的非物理平衡态。此外,不动点吸引的概率与严重程度主要取决于初始条件u0与模拟时长T:初始条件越接近不动点,其对总损失的贡献越小;模拟时长T越长,初始条件项在总损失中的相对影响越低,参数化对应伪不动点解会更主导优化 landscape,使网络更易收敛至非物理全局极小。

神经算子

PINN通过损失函数强制控制物理定律来求解微分方程的特定实例,而神经算子(NO)的目标是学习函数空间之间的映射,从而无需每次显式求解控制方程即可预测相关问题。NO旨在利用输入输出数据对学习无限维函数空间之间的映射,即将映射?:X×Θ→Y参数化,其中X、Y为巴拿赫空间,Θ为有限维参数空间。在实际应用中,X与Y被离散化以支持数值计算,还可通过定义包含控制物理规律的损失函数实现物理信息化的NO。图神经算子(GNO)是最早提出的NO架构之一,用于映射输入函数a(x)到微分方程解u(x),其积分形式解u(x)=∫ΩGa(x,y)f(y)dy中,格林函数Ga(x,y)表征了位置y处的瞬时点源在位置x处产生的系统响应,在PBF纯热仿真中对应y处局域热输入在x处产生的温度,积分则表征了域内所有分布源f(y)的累积贡献,符合线性系统叠加原理与时不变线性系统的脉冲响应概念。傅里叶神经算子(FNO)则利用傅里叶变换(通过快速傅里叶变换FFT高效实现)捕获局域与长程交互,避免了仅依赖局域图邻域近似积分算子的局限。DeepONet基于算子通用逼近定理,采用双网络结构:分支网络编码离散化输入函数,截断网络编码评估位置x,通过∑k=1pbk(a)tk(x)得到算子输出,p为控制模型表达能力的可调超参数。

NO的训练挑战

NO的训练同样面临三类核心难题:一是高数据需求,与针对单个微分问题实例训练的PINN不同,NO需学习从输入函数到输出函数的完整映射,需要广泛多样的输入输出函数对覆盖算子的变异性,而获取这类数据集通常需要运行大量昂贵的数值仿真,限制了数据稀缺场景的可扩展性。二是离散化失配与网格依赖性,NO在形式上定义于无限维函数空间,但训练基于离散化近似,当训练与推理阶段的离散化(网格、分辨率、采样模式)不一致时,性能会下降,缺乏离散化不变性的架构在应用于不规则网格或多尺度几何时表现不佳。三是优化复杂性与物理强制难度,算子学习模型的优化 landscape 高度非凸,加入物理约束(如边界条件、守恒律)后难度进一步提升。FNO等融合频谱滤波与非线性变换的架构需要谨慎选择模态以避免频率分量的过拟合或欠拟合,而加入物理信息损失项后,平衡竞争损失分量变得困难,梯度易出现刚度或不稳定,限制收敛与泛化。

SciML与传统数值方法对比

传统数值方法(有限元法FEM、有限体积法FVM、谱方法)通过显式离散控制方程与物理域求解PDE,在一致性、稳定性、收敛性方面具备严格理论保障,是预测仿真与设计验证的基石,但计算成本随问题维度、几何复杂度、多物理场耦合程度快速上升,限制了其在实时或控制导向场景的应用。SciML方法(PINN、NO)通过将物理定律直接嵌入机器学习模型应对这些局限:PINN将控制方程、边界条件、初始条件纳入神经网络损失函数,实现无网格PDE近似;NO学习无限维函数空间之间的映射,提供分辨率不变的代理模型,可跨不同离散化泛化。两类方法训练完成后均可实现快速推理,天然支持数据同化与模型自适应,是数字孪生(DT)实现与闭环控制应用的理想选择。从工作流程看,传统数值方法遵循几何定义-网格生成-求解器配置-求解的串行流水线,参数修改需重复全流程;PINN通过域内配点采样、物理信息损失函数训练消除显式网格构建需求,在空间恒定参数场景下可自然构建参数化模型;NO则通过离线训练阶段利用传统数值求解器生成选定参数配置的高保真解,训练完成后可快速预测未见过的参数设置下的解,实现了从参数空间到解空间的端到端映射。

粉末床熔融过程的数学建模

开发精准高效的PBF过程代理模型,必须深入理解底层物理与传统仿真方法。PBF建模与仿真难度极高,源于跨巨大空间与时间尺度的强耦合多物理场相互作用。PBF工艺中,松散金属粉末薄层均匀铺展在已固结材料(基板)上形成粉末床,高能热源(多为激光,部分为电子束)按构件几何选择性熔化粉末层,局域熔化形成液态金属熔池,随扫描路径移动后凝固并与基板冶金结合,逐层堆积形成构件。该过程涉及大量非线性、温度依赖、强耦合现象:一是光源-粉末相互作用,入射束在具有异质光学特性的颗粒介质中发生吸收、多重散射与反射,取决于颗粒尺寸、形貌、氧化状态与堆积状态,决定局域热分布;二是粉末堆积特性,粉末层具有异质孔隙率与各向异性传导路径,局域堆积差异改变熔化起始阈值,影响热导率、能量吸收与缺陷敏感性;三是粉末床内传热,包含颗粒接触网络传导、孔隙间辐射及熔化启动后的对流换热,热物性随颗粒熔合与孔隙塌陷动态演化;四是能量向已固结层的耦合,热扩散进入下层材料控制重熔、热影响区与跨层微观结构演化,热量积累导致构件尺度变形;五是熔池流体动力学,由强温度依赖的表面张力梯度(马兰戈尼对流)、密度差异引发的浮力及金属蒸发产生的反冲压力驱动,力平衡决定熔池尺寸、润湿与结合能力,以及匙孔、球化、飞溅等缺陷的稳定性;六是已固结材料内的传热,冷却以传导为主,极高的热梯度(可达106K/s)驱动微观结构转变,影响晶粒形态与最终力学性能;七是金属蒸发与羽流动力学,高能量密度下蒸发产生反冲压力使熔池表面凹陷,可能裹入气体形成孔隙,激光与电子束场景下的羽流行为因气体环境与真空环境存在差异;八是残余应力演化,反复加热-冷却热循环引发非均匀膨胀收缩,导致应力积累,可能引发翘曲、分层或开裂。同时捕捉所有耦合效应在最高分辨率下既不现实也不经济,因此建模方法通常分为零件尺度、介观尺度与粉末尺度三类,通过简化平衡计算成本与物理精度。

零件尺度模型

零件尺度模型聚焦全局热演化及其对微观结构与残余应力的影响,将已固结层与新铺粉末视为均质连续体,无法精确分辨熔池流体动力学,熔池行为仅通过边界条件或有效热输入模型体现。热响应由瞬态热传导方程ρc?T/?t=?·(k?T)+q控制,其中ρ、c、k、T分别为密度、热容、热导率与温度,q为光束的体积热输入。相变效应通常通过表观热容法纳入:capparent在T< />s与T>Tl时取c,在Ts≤T≤Tl时取c+L/(Tl-Ts),其中Ts、Tl、L分别为固相线温度、液相线温度与熔化潜热,该公式在不显式追踪熔池的前提下简化了熔化与凝固表征。q的精准预测至关重要,光束形状、深度与强度直接影响热梯度,因此通常采用高斯、双椭球等解析光束模型,并通过实验测量校准以复现熔池尺寸。粉末的连续介质建模则需基于块体材料特性与孔隙率估算有效热学与力学属性。力学行为通常在准静态框架下通过求解平衡方程?·σ+f=0获得,其中σ为柯西应力张量,f为体力与面力,残余应力源于弹性、塑性及热致应变的非线性耦合,由陡峭梯度与反复加热冷却循环驱动。总体而言,零件尺度模型可提供热历史与宏观变形的计算可行洞察,但简化假设限制了对局域熔池物理的捕捉能力。

介观/粉末尺度模型

介观与粉末尺度模型旨在捕捉零件尺度简化的熔池详细行为与激光-粉末相互作用物理,桥接缺陷形成的局域现象与零件的全局热响应。第一步为模拟热源与粉末床的相互作用,两类主流策略为:一是将粉末视为连续体,采用类似零件尺度的热源表征建模激光吸收;二是显式表征单个颗粒,通过光线追踪或蒙特卡洛方法追踪光束-颗粒相互作用,后者虽提升了熔化起始与熔池形状预测的精度,但计算成本显著增加。熔化启动后,控制物理由质量、动量、能量守恒的耦合热-流体方程描述:?ρ/?t+?·(ρv)=0(质量守恒),?(ρv)/?t+?·(ρv?v)=-?p+?·τ+Smom(动量守恒),?(ρh)/?t+?·(ρhv)=?·(k?T)+Senergy(能量守恒),其中v为速度场,p为压力,h为比焓,τ为黏性应力张量,Smom与Senergy分别为蒸发反冲压力与熔化凝固潜热等源项。连续介质公式通常通过移动域上的纳维-斯托克斯方程结合自由表面追踪技术求解,而粉末尺度模型将材料视为离散颗粒集合(如离散元法、格子玻尔兹曼或多相粒子求解器),可详细研究润湿动力学、颗粒夹带、飞溅与孔隙裹入。这类模型虽实现了最高物理保真度,但受限于极高的计算成本,通常仅适用于极小的空间域与短时长仿真。三类尺度的权衡凸显了核心瓶颈:高保真模型因成本过高无法用于设计探索或工艺优化,而计算高效模型往往缺乏预测缺陷形成所需的分辨率。

建模挑战对神经代理模型的影响

PBF建模的复杂性给机器学习代理模型的开发带来了三类核心挑战:一是多物理场耦合,即使仅关注热学现象,也需在损失函数中纳入多个物理贡献(如传导、边界条件、相变),训练中平衡这些项的难度极高;若进一步纳入熔池流动、蒸发或应力形成等物理,损失间的耦合更为复杂,需谨慎强制物理一致性。二是多尺度行为,PBF的求解场呈现高度局域化、快速演化的特征:窄熔区内存在陡峭热梯度,而周围材料在更大尺度上呈现平缓温度变化;粉末尺度物理还引入了离散-连续交互、演化自由表面与拓扑变化(如孔隙裹入、飞溅),违背了标准平滑函数假设,广泛的谱与结构变异性放大了谱偏置,使神经网络难以同时捕捉高频细节与全局趋势。三是强时变性,热源运动引发微秒级熔化与凝固,而热量积累与残余应力在更长时域演化,这种时间尺度分离导致控制方程刚度,除非引入因果感知或序列训练策略,否则物理信息神经网络易坍缩至平凡或不动点解。不同尺度的模型涉及不同的物理现象,也呈现出上述计算挑战的不同子集,尽管部分算法针对特定数据结构(向量、矩阵、网格)设计,更适配问题的特定方面,但整体训练流程与纯数据驱方法一致,后续章节介绍的算法将通过针对性策略应对这些变异性。

基于SciML方法解决PBF建模挑战

高保真PBF仿真需捕捉跨巨大时空尺度的强耦合物理机制,传统数值求解器虽能解析这些效应,但高昂计算成本限制了其在设计空间探索、不确定性量化与原位工艺控制中的应用。SciML通过融合观测数据与物理约束,在保证预测保真度的前提下加速仿真,提供了极具潜力的替代方案。尽管本文核心聚焦PBF,但该工艺的专用SciML研究仍较少,因此综述也纳入了其他金属增材制造技术(如DED)及通用多物理场系统的相关研究,这些场景的控制方程与PBF高度相似,所得洞见可迁移至PBF领域。

SciML用于多物理场问题

高保真PBF仿真的核心需求是同时表征多个耦合物理场,包括传热、熔池流体流动、相变与力学响应。Zhu等人最早尝试采用PINN建模多物理场熔池行为,将粉末层均质化为连续体,假设熔池表面平坦以避免自由表面追踪与气相效应,通过硬约束强制狄利克雷边界条件,并利用FEM仿真数据引导训练,但该工作未考虑气相动力学、蒸发与表面变形,预测保真度受限,且依赖标注FEM数据,无法作为独立代理模型运行。Sharma等人针对DED的热-力学耦合研究采用双网络架构分别预测温度与应力,同样需要标注FEM样本稳定训练,凸显了仅依靠控制方程学习强耦合物理的难度。为避免监督数据依赖,Harandi等人采用混合形式损失构建,基于PINN在低阶导数损失下性能更优的原理,在有可用变分原理的场景下用变分原理替代强形式残差:力学平衡问题最小化弹性能量泛函,稳态热传导问题最小化热传导能量泛函,并对比了耦合与序列训练策略,发现后者更高效,但这类公式仅适用于线性物理,PBF中的非线性熔池流动与相变通常不存在此类能量泛函。为提升灵活性与预测泛化能力,近期研究更多采用神经算子。Kushwaha等人改进了DeepONet架构,采用基于ResUNet的截断网络从二值掩码编码零件几何,分支网络处理打印速度等工艺参数,学习到的算子可将输入映射至最终应力状态,精度媲美FEM且计算成本更低。DeepM&;Mnet框架通过训练多个独立DeepONet分别表征单一物理变量,再通过并行(联合变量预测)或串行(前一变量预测结果用于重构其他变量)方式耦合,实现了模块化多物理场学习,在PBF仿真中可分配不同DeepONet至温度、速度、压力等不同物理场,同时保持底层物理的耦合表征。复合FNO架构则通过全局隐向量实现多个独立算子间的信息交换,提升了耦合行为的学习能力。Yuan等人假设非线性多物理场PDE的解可近似为Urysohn型积分算子,构建了融合FNO(学习非局域算子核)与卷积网络(空间特征提取)的混合架构,进一步提升了高保真耦合系统的效率。综上
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