南京理工大学突破：物理信息AI模型实现金属增材制造实时温度精准预测

南京理工大学的研究团队在增材制造领域取得了重大突破，成功开发出一种创新的、基于物理原理的人工智能模型。该系统旨在对线材电弧增材制造（WAAM）过程中的温度场进行实时、快速的预测，极大地推动了金属3D打印技术的进步。

这项研究成果已在权威期刊《通讯工程》（Communications Engineering）上发表，标志着提升金属打印部件质量和稳定性的关键一步。这项核心技术在于构建了一个“物理信息递归几何神经网络”。这种混合方法巧妙地将基础物理定律与强大的深度学习能力相结合，从而能够对材料的热行为进行动态且精确的建模。

该项研究的关键性成就体现在其惊人的运算速度上。传统的有限元建模（FEM）等方法，可能需要长达一小时才能得出准确的结果，而南京理工大学的这款新模型展现出卓越的性能，仅需12毫秒即可完成预测。这种毫秒级的预测能力对于在工业生产过程中实现闭环反馈控制系统具有至关重要的意义。

由机械与动力工程学院的田敏轩（Minxuan Tian）教授领导的科研团队，致力于解决两大难题：一是传统模拟计算速度缓慢的问题，二是纯数据驱动模型容易产生的误差累积。在涉及使用机器人WAAM设备逐层打印薄壁钢结构的实验中，该模型表现出令人信服的准确性。在模拟环境中，最大预测误差约为4.5%；而在实际测试中，最大误差控制在13.9%左右。

该系统能够稳定地预测温度演变长达10秒的时间，这对于管理热流和降低残余应力而言，是一个至关重要的时间窗口。在金属3D打印中，温度控制被视为基石。因为不均匀的加热或冷却不可避免地会导致裂纹和变形等缺陷，严重损害最终产品的完整性和性能。

将物理限制直接嵌入到神经网络架构中，确保了所有的预测结果都具有物理合理性，使得系统能够有效地推广到不同的几何形状和工艺模式中。此外，研究人员指出，通过迁移学习（transfer learning）大幅缩短了训练时间，显著提高了该技术在各种制造条件下的实用性和适应性。这种方法论上的飞跃，为增材制造中实现前馈控制（feed-forward control）系统铺平了道路，使机器能够在问题发生之前，及时调整热输入或送丝速度等关键参数。