Unser Paper mit dem Titel „Physics-informed machine learning surrogate for scalable simulation of thermal histories during wire-arc directed energy deposition” wurde kürzlich in Additive Manufacturing Letters veröffentlicht.
Ziel dieses Papers war es, die rechenintensive FEM-Simulation, die zur Bestimmung der Temperaturverläufe während des additiven Fertigungsverfahrens „wire-arc directed energy deposition” erforderlich ist, durch ein rein physikalisch informiertes neuronales Netzwerk (PINN) zu ersetzen. Im Gegensatz zu herkömmlichen datengesteuerten Ansätzen trainieren physikalisch informierte neuronale Netzwerke das Modell auf der Grundlage von Restverlusten, die durch zuvor festgelegte konstitutive Gleichungen, wie z. B. die Erhaltung von Energie oder Masse, bestimmt werden.
Wichtigste Highlights:
- PINN wurde ausschließlich mit physikalischen Daten ohne experimentelle oder externe Daten trainiert.
- PINN reduzierte die Laufzeit im Vergleich zu FEM um bis zu 98,6 %.
- PINN liefert auflösungsunabhängige Vorhersagen sowohl in zeitlicher als auch in räumlicher Hinsicht.
Lesen Sie das vollständige Paper hier: https://doi.org/10.1016/j.addlet.2025.100327
