![]()
AM易道导语：
在头发丝大小的激光束下，金属粉末在0.001秒内从室温被加热到上千度，瞬间形成一个微小的熔融金属池。
![]()
在这个比米粒还小的区域内，发生着剧烈的湍流运动、复杂的热传导、剧烈的表面张力变化，以及快速的相变过程。
这就是金属3D打印中最迷人也最具挑战性的"熔池现象"。
精确预测和控制这个过程，就像是要在翻滚的沸水中准确追踪每一个气泡的运动轨迹一样困难。
然而，这个全球增材制造领域持续研究数十年的课题，迎来一个AI赋能的创新。
![]()
2025年1月3日，《先进制造》（Advanced Manufacturing）期刊发表：武汉大学团队开发出了一种新的人工智能预测系统 - 迁移学习增强的物理信息神经网络（TLE-PINN）。
这个系统相比熔池预测传统方法预测时间大幅缩短，预测精度优秀。
让我们一起来看看这项研究。
42CrMo钢作为一种经典的调质钢，在熔化过程中展现出独特而复杂的物理特性。
特别是在选区激光熔化过程中表现出显著的物理性能变化 - 从固态到液态时，热导率从40.5 W/(m·K)降至22 W/(m·K)。
材料会同时展现出传热、流动和相变等多物理场耦合现象，这恰恰为验证TLE-PINN方法处理复杂物理问题的能力提供了理想的研究平台。
从工程应用角度看，这种材料的选择也具有实际意义，因为42CrMo钢在工业生产中应用广泛。
在42CrMo钢的选区激光熔化过程中，熔池温度从室温骤升至1460K以上，在极短时间内形成了固态、液态和气态的多相共存区域（见Figure 1）为了准确捕捉熔池的行为特征，研究团队构建了一套精密的实验系统。如Figure 3所示，该系统包含了精确控制的连续激光器、可编程的多轴移动平台，以及用于防止材料氧化的气体保护装置。基于前期的其他研究成果，激光有效半径控制在0.5mm，材料的导热性能在固态和液态下分别为40.5和22 W/(m·K)，这些等效参数的精确设定（详见Table 1）为高质量的实验数据提供了保障。![]()
让AI与物理学联手预测熔池行为
武大团队开发的TLE-PINN方法，可以形象地理解为会同时运用物理知识和实践经验。第一EPINN阶段，就像是让系统深入学习物理教科书。系统将传热方程、边界条件等物理规律直接编入神经网络，确保预测结果始终符合物理定律。在训练过程中，EPINN不是简单地拟合数据，而是通过三重约束来保证预测的物理准确性：
1 物理守恒约束（LGE）。
网络必须严格遵守质量、动量、热能和溶质传输的守恒定律。比如，在处理湍流时，系统会同时考虑湍流动能方程k和耗散率方程ε，确保预测结果符合流体力学原理。
2 边界条件约束（LBC）。
系统精确模拟了激光作用表面的能量输入和其他表面的热损失。特别是在处理激光与材料的相互作用时，采用了高斯分布模型来描述能量分布，使预测更接近实际情况。
3 数据残差约束（LData），这确保预测结果与实验观察相符。
这三重约束通过精心设计的权重系数（λ1、λ2、λ3）来平衡，就像是在调配一道需要完美比例的配方。
为了验证EPINN模型的优势，研究团队开展了高保真与低保真模型的对比研究。如Figure 4所示，两种模型在预测熔池物理特性时表现出显著差异。在等效粘度和热导率的预测中（Figure 4a、b），高保真模型成功捕捉到了湍流引起的传热增强效应。这种增强效应在熔池中心区域最为明显，因为该区域的温度梯度最大，流动最为剧烈。温度分布的对比结果（Figure 4c、d）更能说明问题。无论是沿样品表面还是在横截面方向，高保真模型都能更准确地预测熔池边界和热影响区的温度梯度。特别是在熔池边缘区域（温度接近1460K时），高保真模型的预测结果与实验观察更加吻合。第二个阶段是迁移学习，这个阶段系统会像经验丰富的工程师一样，将物理原理与实际工况结合起来。通过"单模型双阶段"的创新训练策略，系统能够在保持物理准确性的同时，快速适应不同的工艺参数变化。保持大部分参数不变，仅微调最后一层，这就像是在保持基础物理认知的同时，调整实际应用策略。实验证明，这种方法在处理高湍流区域时的预测误差控制在5%以内，远优于传统方法15-20%的误差范围。在计算效率方面，TLE-PINN方法展现出显著优势。相比传统高保真模型约4小时的计算时间，新方法仅需约1小时就能完成预测。更重要的是，其模型大小仅为高保真模型的约1/12，这种轻量设计使其更适合工业现场的实际应用。如Figure 5所示，他们在1-9 mm/s的不同扫描速度下系统地比较了熔池的形态特征。实验结果表明，TLE-PINN方法不仅能准确预测熔池的几何尺寸，还能捕捉到内部的温度分布细节。特别是在处理高速扫描条件下的熔池变形时，新方法展现出了优异的预测能力。Figure 7和Figure 8的对比结果更加令人振奋。在处理熔池边界这种高度非线性的区域时，传统物理模型往往会出现较大偏差，而TLE-PINN方法却能保持稳定的预测精度。进一步的验证表明，即使在材料发生剧烈相变的区域，该方法的预测误差也能控制在可接受范围内。这种高精度预测能力在工业应用中具有重要意义，特别是对于需要精确控制熔池大小的高精度零件制造而言。在金属3D打印产业快速发展的今天，TLE-PINN方法的出现为行业带来了多个维度的突破。通过Figure 16的实验结果我们可以清晰地看到，该方法在实际应用中展现出了显著的优势。在样品表面（图c），在1mm/s的激光扫描速度下，预测结果与实验观察几乎完全吻合，温度场分布的平均偏差仅为0.03，精度水平优秀。在横截面方向（图d），即使在不同扫描速度下，温度偏差也始终控制在0.02-0.03之间。它证明了该方法不仅能够准确预测单个工况下的熔池行为，更重要的是展现出了强大的适应性：即使在扫描速度发生显著变化的情况下，预测精度依然保持稳定。这种稳定性对于工业应用来说至关重要，因为实际生产中经常需要根据不同的工艺需求调整扫描速度。另外，与传统的数值模拟方法相比，TLE-PINN不需要超级计算机的支持，普通的工作站就能满足计算需求。这大大降低了中小3D打印企业采用高端预测技术的成本。随着计算机硬件的升级和发展，该方法有望实现在线预测，这将为金属3D打印的智能化控制开辟新的可能。但需要注意的是，目前该技术还主要针对扫描速度变化的情况进行了验证。未来希望看到在更多材料系统和工艺参数组合下进行测试，以进一步验证其通用性。比如，AM易道发现目前的研究采用了0.5mm的等效激光半径进行模拟，这与实际SLM设备中光斑存在差异，未来希望能看到该算法直接适配到实际的SLM设备中。研究团队也提到，融合注意力机制等新型深度学习方法（像人类观察事物一样，自动识别并关注重要的信息，同时弱化次要信息。）可能会带来更好的性能。AM易道认为，当我们谈论AI赋能3D打印时，我们谈论的深层真相是：参照每一个微观熔池的物理本质，用每一行代码精确调控每一个金属液滴的流动与凝固。希望本文的研究能够带来启发。更多研究细节请参考文末的DOI信息。
![]()
感谢您阅读到了最后，如果觉得AM易道文章有价值，请您点赞、转发、关注AM易道，与您一道发现3D打印的下一个奇点。
Reference:
1. Zhu Q, Lu Z, Hu Y. Transfer learning-enhanced physics informed neural network for accurate melt pool prediction in laser melting. Adv. Manuf. 2025(1):0001, https://doi.org/10.55092/am20250001.
注：
AM易道与文中提到公司不存在任何形式的商业合作、赞助、雇佣等利益关联。图片视频来自于网络，仅作为辅助阅读之用途，无商业目的。权归原作者所有，如有任何侵权行为，请权利人及时联系，我们将在第一时间删除。本文图片版权归版权方所有，AM易道水印为自动添加，辅助阅读，不代表对该图片拥有版权，如需使用图片，请自行咨询版权相关方。
