南京理工大學突破性AI模型：實現金屬積層製造即時溫度預測

南京理工大學的研究人員成功開發出一種創新的AI模型，標誌著積層製造領域的重大進展。這套系統以物理原理為基礎，專門用於即時預測線材電弧積層製造（WAAM）過程中的溫度變化。這項技術的問世，為提升金屬列印零件的品質與穩定性，奠定了關鍵基礎。

這項研究成果已在權威學術期刊《通訊工程》（Communications Engineering）上發表，代表著增材製造技術邁向成熟的重要里程碑。該開發的核心在於創建了一個「物理資訊遞歸幾何神經網路」。這種混合式方法巧妙地將基礎物理定律與深度學習的強大能力結合起來，使其能夠動態且精確地模擬材料在製造過程中的熱行為。

這項創新的關鍵優勢在於其驚人的運算速度。傳統的數值模擬方法，例如有限元素分析，可能需要長達一小時才能得出準確的結果。相較之下，南京理工大學的新模型展現出令人矚目的效率，僅需12毫秒（ms）即可完成預測。這種極速的預測能力，對於在工業生產流程中實施閉環回饋控制系統，具有決定性的意義。

這支由機械與動力工程學院的閔軒天（Minxuan Tian）領導的團隊，旨在解決雙重難題：一是克服經典模擬計算緩慢的問題，二是減少純數據驅動模型中常見的錯誤累積。在實際的實驗環節中，研究人員使用機器人WAAM設備，逐層列印薄壁鋼結構。該模型在模擬中的預測最大誤差約為4.5%，而在實際測試中，最大誤差則控制在13.9%左右。

該系統能夠穩定地預測溫度演變長達10秒的時間，這對於有效管理熱流動和降低殘餘應力來說，是一個至關重要的時間窗口。在金屬3D列印中，溫度控制是基石。因為不均勻的加熱或冷卻，必然會導致裂紋和變形等缺陷，從而嚴重損害最終產品的完整性和機械性能。

將物理限制直接嵌入到神經網路的架構中，確保了所有預測都具有物理上的合理性。這使得系統能夠有效地將數據推廣應用於各種幾何形狀和不同的製程條件。此外，研究人員還指出，透過遷移學習縮短訓練時間，顯著提高了這項技術的實用性和對多樣化生產環境的適應性。這項方法論上的飛躍，為在積層製造中實現前饋控制（feed-forward control）系統開啟了廣闊前景，使機器能夠在問題發生之前，即時調整熱輸入或送絲速度等關鍵參數。