Математическое моделирование теплопереноса в аддитивном производстве для формирования обучающих выборок нейронных сетей

Автор: Вячеслав Андреевич Ершов

Соавторы: Роман Позолович Давлядшин

Организация: Пермский Национальный Исследовательский Политехнический Университет (ПНИПУ)

Аддитивные технологии формирования металлических изделий позволяют изготавливать широкий спектр конструкций на единой производственной установке [1]. При этом для минимализации геометрических отклонений итогового изделия от исходной 3D-модели необходимо контролировать тепловложения, величина которых зависит как от параметров лазерного (сварочного) источника, так и от выбранной траектории наплавления слоя [2]. Поскольку прямое экспериментальное измерение распределения температур в процессе выращивания металлических изделий практически невозможно, проблему решают посредством математического моделирования. При этом детальный конечно-элементный анализ характеризуется высокими вычислительными затратами. Для оперативного прогноза температурного поля целесообразно применять физически-информативные нейронные сети, которые существенно сокращают вычислительные затраты при сохранении высокой точности расчетов. При этом формирование обучающей выборки достаточного размера является обязательным условием для успешного обучения нейронной сети. Для этого была разработана математическая модель в пакете для конечно-элементного расчёта COMSOL Multiphysics, позволяющая сгенерировать обучающую выборку на основе результатов численных экспериментов.

Работа посвящена детальному описанию процесса формирования обучающей выборки. Для расчётов использовалась неравномерная сетка, приведённая на рисунке, далее, для улучшения качества прогнозирования результаты интерполировались на объёмную прямоугольную равномерную сетку. Это позволяет, во-первых, верифицировать результаты расчётов модели с результатами измерений в процессе наплавки, а во-вторых, получить качественный прогноз поля температуры внутри всей подложки. После этого результаты были расширены путем поворота и переноса, что позволило значительно расширить выборку без существенных вычислительно-временных затрат.

1.      Davlyatshin R., Perminov A., Bayandin Y., et al. Numerical modeling of vibration effects on the surface tension of a liquid drop in additive technologies with SPH // Computational Particle Mechanics. – 2023. – Vol. 10, № 4. – P. 911-928.

2.      Zagade P.R., Gautham B.P., De A., et al. Analytical modelling of scanning strategy effect on temperature field and melt track dimensions in laser powder bed fusion // Additive Manufacturing. – 2024. – Vol. 82. – P. 104046.