Two-dimensional temperature field prediction with in-situ data in metal additive manufacturing using physics-informed neural networks
Notice bibliographique
Résumé
Accurately predicting the temperature field in metal additive manufacturing (AM) processes is critical for preventing overheating, adjusting process parameters, and ensuring process stability. While physics-based computational models offer precision, they are often time-consuming and unsuitable for real-time predictions. Machine learning models, on the other hand, rely heavily on high-quality datasets, which can be costly and difficult to obtain in the metal AM domain. Existing studies on physics-informed neural networks (PINNs) have made progress in integrating physics with machine learning but often lack in-situ data integration, which is essential for capturing real-time thermal dynamics. Additionally, their methodologies are typically heavily dependent on specific process characteristics, limiting their flexibility. Our work addresses these gaps by introducing a PINN-based framework specifically designed for temperature field prediction in metal AM. The framework incorporates in-situ temperature data gathered during the manufacturing process, combining it with physics-informed inputs and a custom loss function. The approach is demonstrated through two case studies. In the first case, using a small set of experimental data, the model achieves an error below 3 % with a mean absolute error (MAE) of 11 °C. In the second case, using simulation data, the model achieves an error below 1 % with an MAE of 7 °C. In addition, the framework shows promising adaptability for different metal AM scenarios with different geometries, deposition patterns, and process parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».