基于损失与激活的嵌入式物理约束的机器学习架构对增材制造材料应力-应变行为的预测

《Advanced Engineering Informatics》:Predicting stress–strain behaviors of additively manufactured materials via loss-based and activation-based physics-informed machine learning architectures

【字体: 大 中 小 】 时间:2026年09月28日 来源:Advanced Engineering Informatics 11.5

编辑推荐:

   # 摘要 预测增材制造材料的应力-应变行为对于增材制造(AM)中的零件鉴定至关重要。传统的基于物理的材料本构模型存在局限性,例如材料属性的过度简化以及对有限应变率的适用性狭窄,而纯粹数据驱动的机器学习(ML)模型通常缺乏物理一致性和可解释性。为了解决这些问题,我们提出了一种

  

# 摘要

预测增材制造材料的应力-应变行为对于增材制造(AM)中的零件鉴定至关重要。传统的基于物理的材料本构模型存在局限性,例如材料属性的过度简化以及对有限应变率的适用性狭窄,而纯粹数据驱动的机器学习(ML)模型通常缺乏物理一致性和可解释性。为了解决这些问题,我们提出了一种物理信息机器学习(PIML)框架,该框架利用弹性和塑性区域的物理定律,以提高预测增材制造聚合物和金属的应力-应变曲线的预测性能和物理一致性。首先使用多项式回归模型基于增材制造工艺参数预测屈服点,然后根据预测的屈服点将应力-应变曲线分割为弹性区域和塑性区域。训练两个长短期记忆(LSTM)模型分别预测这两个区域。对于弹性区域,将胡克定律嵌入聚合物和金属的LSTM模型中。对于塑性区域,分别为聚合物和金属的LSTM模型嵌入Voce硬化定律和Hollomon定律。此外,该PIML框架通过两种架构实现,包括基于损失的和基于激活的PIML架构,其中物理定律分别嵌入到损失函数和激活函数中。将两种PIML架构的性能与两个基于LSTM的ML模型、三个额外的ML模型(包括岭多项式回归模型、人工神经网络和transformer)以及一个基于物理的本构模型进行比较。这些模型基于从两种增材制造聚合物(即尼龙和碳纤维-丙烯腈丁二烯苯乙烯)和两种增材制造金属(即AlSi10Mg和Ti6Al4V)收集的实验数据构建。实验结果表明,两种PIML架构始终优于其他ML基线模型和基于物理的本构模型。具有基于激活的PIML架构的分段预测模型取得了最佳的整体性能,平均绝对百分比误差(MAPE)最低为10.46 ± 0.81%,平均绝对误差(MAE)最低为26.07 ± 2.52 MPa,均方根误差(RMSE)最低为29.28 ± 2.83 MPa,R2最高为0.82 ± 0.05,表明对四种不同材料具有优越的预测性能。

# 引言

增材制造(AM)是一项变革性技术,能够制造具有复杂几何形状[1]、[2]、轻质结构[3]、[4]和集成功能组件[5]、[6]的零件,应用于航空航天[7]、[8]、生物医学[9]、[10]和汽车[11]、[12]行业。通过逐层制造零件,增材制造比传统减材制造实现了更高的设计自由度,允许快速原型制作[13]、[14]、[15]。然而,由于增材制造零件的机械性能不一致[16],增材制造尚未在关键应用中广泛采用。具体而言,增材制造零件的机械性能,特别是其应力-应变行为,仍然高度依赖于材料变异性、零件几何形状和工艺条件[17]、[18]、[19]、[20]、[21]、[22]。因此,零件鉴定技术被用来验证增材制造零件的应力-应变行为是否满足所需的设计规范,以确保这些零件能够被一致地复制、扩大规模进行批量生产,并可靠地用于关键应用[23]、[24]。

传统的增材制造零件鉴定技术严重依赖破坏性测试和非破坏性测试。这些技术昂贵、耗时且难以规模化。因此,基于物理的本构模型(例如塑性和黏弹性模型)[25]、[26]、[27]、[28]和基于数据的机器学习(ML)模型[29]、[30]、[31]、[32]、[33]、[34]已被用于预测增材制造零件的应力-应变行为。然而,基于物理的本构模型需要基于先验知识的广泛参数校准,并且经常过度简化材料属性。在许多情况下,基于物理的本构模型对初始参数设置敏感,并且在不同材料之间表现出有限的泛化能力。对于基于数据的ML模型,虽然它们能够自动捕捉输入和输出之间复杂的非线性关系,但通常缺乏固有的物理约束。因此,预测的应力-应变行为可能与实际的应力-应变行为不一致。

物理信息机器学习(PIML)的最新进展提供了一种潜在的解决方案,通过将物理定律直接嵌入ML模型的训练过程中。虽然PIML的有效性已在流体动力学[35]、[36]、传热[37]、[38]和其他领域[39]、[40]中得到证明,但据我们所知,尚未有关于使用PIML预测增材制造零件应力-应变行为的研究报道。将PIML应用于解决该领域问题的一个挑战是材料复杂的变形行为。具体来说,弹性区域由简单线性的弹性定律(例如胡克定律)支配,但塑性区域由复杂非线性的硬化定律(例如Voce硬化定律)支配。此外,由于增材制造聚合物和金属的微观结构和分子结构不同,其塑性变形机制存在实质性差异。因此,迫切需要一种针对材料和区域特定的PIML框架来预测增材制造聚合物和金属的应力-应变行为。

此外,虽然物理可以通过各种机制嵌入ML模型中,但将物理直接嵌入损失函数仍然是现有文献中最常见的方法。具体来说,大多数现有的基于损失的PIML架构通过可学习的物理加权系数将物理定律集成到损失函数中,这是一个动态的可训练参数,用于在损失函数中自动平衡多个竞争目标。相比之下,基于激活的PIML架构将物理定律集成到ML模型输出层的激活函数中,而不是依赖诸如sigmoid或tanh等传统的激活函数。然而,迄今为止尚未有关于基于激活的PIML及其在预测应力-应变行为中的应用的研究报道,也缺乏基于损失的和基于激活的PIML架构之间的比较研究。

为了解决上述问题,开发了一种针对材料和区域特定的PIML框架来预测增材制造聚合物和金属的应力-应变行为。具体来说,使用了两个聚合物和两个金属数据集来演示所提出的PIML框架,包括通过熔融丝制造(FFF)制造的尼龙(Ultimaker)和碳纤维-丙烯腈丁二烯苯乙烯(CF-ABS)(Push Plastic)样品,以及通过激光粉末床熔融(L-PBF)制造的AlSi10Mg(3D Systems, Inc)和Ti6Al4V(3D Systems, Inc)样品。通过首先根据预测的屈服点将应力-应变曲线分割为弹性区域和塑性区域,将针对材料和区域特定的物理定律嵌入PIML架构中。具体来说,通过分别将物理定律嵌入损失函数或激活函数,开发了基于损失的PIML架构和基于激活的PIML架构。我们还将所提出的PIML架构的性能与两个基于LSTM的ML模型(即无PIML的非分段和分段预测模型)、三个额外的ML模型(即岭多项式模型、人工神经网络(ANN)和transformer)以及一个基于物理的本构模型进行了比较,以进一步证明PIML框架的有效性。本研究的主要贡献总结如下:

1. 开发了一个PIML框架,将物理定律(即本构模型)集成到ML模型中,以预测增材制造聚合物和金属的复杂应力-应变行为。
2. 开发了两种PIML架构,包括基于损失的PIML架构和基于激活的PIML架构,通过将物理定律分别嵌入损失函数和激活函数中实现。
3. 在两个增材制造聚合物数据集和两个增材制造金属数据集上演示了基于损失的PIML架构和基于激活的PIML架构,优于两个基于LSTM的模型、三个额外的ML模型和一个基于物理的本构模型。

# 章节片段

## PIML框架

图1展示了用于预测增材制造聚合物和金属应力-应变行为的三步PIML框架。在第1步中,首先从工艺参数中获取预测的屈服应变(εpy)和屈服应力(σpy)。由于工艺参数与屈服应变或屈服应力之间的关系本质上是一个标量到标量的映射,因此可以使用简单的回归模型有效地进行建模。为了确定一个最优模型,使用了多种回归和ML

## 增材制造聚合物和金属的机械行为

图4展示了使用两种聚合物(即尼龙和CF-ABS)和两种金属(即AlSi10Mg和Ti6Al4V)制造的不同工艺参数下的样品的应力-应变曲线。为了更好地区分每种材料的机械行为,图4还包含了杨氏模量和极限抗拉强度(UTS)的相应分布,突出了相同材料内部的量级和变异性差异。

总的来说,这四种材料表现出不同的机械

## 讨论

总的来说,基于损失的和基于激活的PIML架构都能有效地将物理定律集成到ML模型中,与纯粹数据驱动的ML模型相比,提高了应力-应变行为的预测性能和物理一致性。然而,它们的机制和优势有所不同。

由于本研究中使用数据集中的应力-应变行为通常与预定义的物理定律一致,基于激活的PIML架构通常产生更高的预测

## 结论

在本研究中,开发了一种针对材料和区域特定的PIML框架,用于预测增材制造聚合物和金属的应力-应变曲线。该框架在两个增材制造聚合物数据集(即尼龙和CF-ABS)和两个增材制造金属数据集(即AlSi10Mg和Ti6Al4V)上进行了演示。首先使用岭多项式回归模型基于工艺参数预测屈服点,从而使每个应力-应变曲线被

## CRediT作者贡献声明

Chenglong Duan:撰写——初稿,可视化,验证,方法论,调查,形式化分析,概念化。Dazhong Wu:撰写——审阅与编辑,可视化,验证,监督,项目管理,方法论,调查,资金获取,形式化分析,概念化。

## 利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能已影响到本文报告的工作。

## 致谢

本研究由国防高级研究计划局赞助。信息内容不一定反映政府的立场或政策。不应推断出官方的认可。我们感谢Dr. Qingyang Liu收集聚合物数据集的原始数据。

Chenglong Duan | Dazhong Wu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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