《Materials & Design》:A physics-informed coupled residual-Fourier neural network for multi-physics field prediction in laser manufacturing
编辑推荐:
在激光-熔化极惰性气体保护焊(Metal Inert Gas, MIG)复合焊接中,熔池内多物理场预测对于工艺优化和质量控制至关重要。然而,温度场、浓度场和速度场之间的复杂耦合使得传统仿真计算成本高昂。本文提出了一种物理信息耦合残差-傅里叶网络(Physics
在激光-熔化极惰性气体保护焊(Metal Inert Gas, MIG)复合焊接中,熔池内多物理场预测对于工艺优化和质量控制至关重要。然而,温度场、浓度场和速度场之间的复杂耦合使得传统仿真计算成本高昂。本文提出了一种物理信息耦合残差-傅里叶网络(Physics-Informed Coupled Residual-Fourier Network, PCRF-Net)方法,利用仿真数据和耦合物理残差方程实现熔池多物理场预测。该方法采用双分支架构:温度-浓度场分支(Temperature-Concentration Branch, TC-Branch)使用深度残差网络,融合能量守恒和溶质传输方程残差以预测温度场和浓度分布;速度场分支(Velocity Field Branch, VF-Branch)采用傅里叶增强的多层感知器预测速度场以捕捉长程流动结构,同时应用温度掩膜将训练限制在熔化区域内。研究采用分步训练策略,首先训练TC-Branch,然后利用训练得到的温度场引导VF-Branch训练,有效降低了多物理耦合的复杂性。与数值模拟结果相比,该方法能够高效学习激光与MIG热源耦合产生的温度场、浓度场和速度场,实现秒级快速预测,展示了其在激光-MIG复合焊接实时监测和参数优化中的巨大潜力。
激光-MIG复合焊接是一种高度耦合的多尺度、多物理过程。直接实验观测熔池内部温度和流动需要昂贵的设备和复杂的操作,限制了工艺优化。传统数值模拟方法如有限元法(Finite Element Method, FEM)和有限体积法(Finite Volume Method, FVM)通过数学模型预测熔池的形成和特征,在凝固过程和溶质传输研究中取得了进展。然而,熔池中的热传导和流动显著耦合,液态金属对流通常是焊接池中热量传递的主要方式,决定着温度分布和焊缝形状。液体流动受多种驱动力作用,包括表面张力梯度、电磁力和浮力。为获得精确的3D结果,有限元模型需要精细网格和复杂边界条件,导致计算成本巨大。例如,Zhou等建立了点式激光-MIG复合焊匙孔焊接中复杂传输现象的数学模型;Jiang等开发了多物理模型研究5083铝合金激光焊接中的凝固过程;Qing等建立了多尺度模型模拟3D打印中的熔融沉积过程。传统数值方法需要大量时间和高性能计算框架来求解复杂的多尺度、多物理模型,无法满足工业需求。
人工智能的发展为焊接工艺建模提供了新思路。物理信息神经网络(Physics-Informed Neural Networks, PINNs)通过将偏微分方程残差嵌入损失函数,以最少数据求解科学问题。例如,Zhu等提出了迁移学习增强的物理信息神经网络以提高选区激光熔化中熔池预测的速度和精度;Seid等将PINN模型应用于热传导方程求解;Li等开发了无需标注数据预测激光金属沉积过程温度场的PINN模型;Wang等提出了连接选区激光熔化相关参数的物理信息机器学习方法;Akbari等开发了预测金属增材制造熔池形状和几何特征的物理感知机器学习方法。然而,这些方法大多只能解决单物理问题,对3D浓度场和速度场预测关注较少。现有PINN研究多求解简单方程,面对复杂多物理耦合问题时仍存挑战,尤其是涉及多耦合方程时,损失函数变为复杂的非凸多目标形式,导致训练过程不稳定。
为更高效地预测激光-MIG复合焊接熔池中的多物理场,本文提出物理信息耦合残差-傅里叶网络(PCRF-Net)方法。该方法以数值仿真数据为训练样本,将物理残差纳入损失函数,结合深度残差学习和傅里叶运算捕捉复杂耦合特征。
本研究使用的样本数据来源于传统数值仿真的计算结果。研究人员采用有限体积法(FVM)在FORTRAN中开发了热传导、流体流动和溶质传输耦合的3D高保真模型,仿真参数经Chen等校准并调整以匹配计算结果与实验数据的一致性。该数值模型未包含湍流效应,假设为层流状态,适用于激光-MIG复合焊接熔池流动仿真。
研究主要采用了以下几项关键技术方法:
**双分支架构设计**。TC-Branch采用轻量级残差多层感知器(ResNet-MLP),输入时空坐标,隐藏层宽度128,包含34个残差块,分别预测温度T和浓度C,约227,000个可训练参数。VF-Branch采用傅里叶增强多层感知器(Fourier-MLP),隐藏层宽度256,20个傅里叶模式,通过时域与频域特征融合预测速度分量和压力,约278,000个可训练参数。
**物理残差约束**。TC-Branch将能量守恒方程和溶质传输方程残差加入损失函数;VF-Branch将连续性方程和动量方程残差纳入损失。自动微分计算空间和时间导数,确保网络遵循物理定律。
**温度掩膜技术**。基于TC-Branch预测的温度场构建动态掩膜,仅在熔化或糊状区计算速度分量损失并反向传播,避免固体无意义区域训练,提高效率且符合相变物理。
**分步训练策略**。不同于传统PINN同时嵌入所有物理方程,PCRF-Net先训练TC-Branch获得稳定温度场和浓度预测,再用预测温度场识别熔化区域并指导VF-Branch在有效区域训练,降低多目标损失刚性,提高训练稳定性。
**实验验证与对比分析**。通过与实验数据对比熔池尺寸(熔宽、熔高、熔深和浓度分布)间接验证模型准确性;与统一训练架构对比验证双分支设计的有效性;进行傅里叶模式数量敏感性分析确定最优配置。
研究结果部分包含以下内容:
**TC-Branch温度场预测**。图2展示了PCRF-Net预测温度场与数值模拟及相对误差在三个时刻的对比。系统达到稳定收敛状态后,温度场分布趋于稳定,大部分区域相对误差低于10%。表5通过熔池长度、宽度、高度和深度等数值指标定量评估预测精度。实验值、模拟值和PCRF-Net预测值对比显示,PCRF-Net在熔池几何特征预测上与数值模拟高度一致。表6展示了模型在不同网格分辨率上的泛化性能,训练网格R
2达到0.9976,测试网格R
2分别为0.9918和0.9703,证明良好网格泛化能力。计算时间方面,首次使用包括数值模拟、训练和预测需21,328秒,比传统数值模拟的122,136秒加速约5.73倍;训练后预测仅需10.54秒,实现秒级快速预测。
**TC-Branch浓度场预测**。图3展示了PCRF-Net预测浓度场与数值模拟及绝对误差的对比。误差在整个域内普遍较低,较高误差主要集中于浓度分布边界。表7表明模型在训练网格和插值网格上均有良好泛化性能,R
2分别为0.9915和0.9028。但在单一方向插值的网格上性能显著下降,归因于高度各向异性的网格长宽比导致预测精度降低。浓度场数值范围较温度场小,对插值引起的误差更为敏感,凸显了均衡网格插值对浓度场准确预测的重要性。
**速度场预测**。图4展示了PCRF-Net预测速度场与模拟结果的对比,箭头表示速度合成方向,长度表示速度大小。各时刻PCRF-Net预测与数值模拟在熔池边界和热影响区趋势高度一致。表8使用佩克莱数(Peclet number, Pe)作为关键评价指标,表征对流与扩散的相对重要性。模型在不同网格分辨率上表现出稳定的泛化性能。表9的对比实验表明,傅里叶增强的VF-Branch在Pe预测上R
2达到0.8727,较标准PINN的0.8063提升8.2%,验证了傅里叶增强对速度场预测的有效性。表10的敏感性分析显示,20个傅里叶模式在所有配置中预测精度最高,速度和Pe的均值与标准差最接近真实值,故选为标准配置。
**与统一训练架构的对比**。表11对比了统一架构与PCRF-Net的性能。统一架构同时训练所有物理场时,由于训练收敛特性不一致,速度场几乎无法学习。PCRF-Net在浓度场预测精度上提升77.1%(R
2从0.5097提升至0.9028),速度场预测精度提升411.4%(Pe的R
2从0.1706提升至0.8727),温度场预测精度虽略有下降但仍保持高水平(R
2=0.9703)。
**结论与展望**。本文提出PCRF-Net用于激光-MIG复合焊接熔池多物理场高效预测。双分支架构结合分步训练策略解耦复杂物理场耦合,TC-Branch预测温度和浓度,VF-Branch预测速度分量,实验结果与数值模拟高度一致且计算效率显著提升。当前局限性包括:数值仿真使用的简化边界条件未能完全捕捉实际焊接中的环境对流、辐射损失和表面氧化等复杂因素;材料参数准确性受温度、相变等因素影响,实际应用可能引入不确定性。PCRF-Net的双分支解耦策略可扩展至其他多物理耦合问题,未来可应用于多相流、耦合传热传质等问题,为复杂工程问题快速预测提供新方案。