该团队的神经网络模型能够重现这两个实验的动态 。 在NISTChallenge的情况下 ， 它预测了实验的温度和熔池长度 ， 误差在实际结果的10%以内 。 他们在1.2到1.5微秒的数据上训练模型 ， 并在高达2.0微秒的进一步时间步长上进行预测 。
该研究成果于2021年1月发表在ComputationalMechanics上 。
这是神经网络首次应用于金属增材制造过程建模 。 研究人员展示了基于物理的机器学习作为无缝整合数据和物理的完美平台 ， 在增材制造领域具有巨大潜力 。
Zhu认为 ， 未来工程师可以使用神经网络作为快速预测工具 ， 为增材制造过程的参数选择（例如激光速度或温度分布）提供指导 ， 并绘制增材制造工艺参数与参数之间的关系 。 最终产品的特性 ， 例如其表面粗糙度 。

文章图片
▲图3.当熔池形状没有变化时 ， 在准稳态(2ms)下 ， 比较FEM、PINN和案例B(195W,0.8m/s)的温度和熔池流体动力学的预测 。 左：FEM预测 。 中：PINN预测 。 右：基于实验辐射温度的热视频帧

• 小米科技|不聊性能只谈拍照！新旗舰反向升级成潮流，拍照手机如何选？
• 搜索引擎|淘宝运营系统出台春节打烊功能，淘宝运营商家该如何选择？
• CPU|元宇宙+高端制造+人工智能！公司已投高科技超100亿，股价仅3元
• 东南亚|MIUI13深度使用报告，这还是我认识的MIUI吗？网友评价很真实
• 小米科技|RTX3060的性能到底如何？相比RTX2060提升有多大？
• 小米 11 Ultra 内测 NFC“读写勿扰”与“解锁后使用”功能
• 市值超 1.7 万亿的Netflix是如何做决策的？
• 图灵奖|中国科技团队创历史，360打破行业垄断，登顶世界最强人工智能榜
• 图灵奖|“世界最强”人工智能榜单，“中国代表队”力压群雄登顶榜首
• 支付宝|新的支付方式兴起，已有超1.4亿人使用，微信支付宝地位不再？