本发明涉及一种增材制造温度场预测方法，具体涉及一种融合物理特征和物理约束的增材制造温度场预测方法。
背景技术：
1、大多数增材制造过程是受热驱动的，成型件的机械性能、残余应力分布、表面质量、粘接强度、孔隙率、微观组织等都与热源和温度场呈现强相关。了解增材制造过程中的温度变化，通过热分析掌握温度历史数据对控制增材制造成型质量有意义。传统的热分析方法包括实际实验和有限元数值模拟，诸如热电偶、红外照相机等设备都存在难以获取全面的实验数据、实验成本高等一系列问题，并且增材制造过程中若出现较宽的光谱和极广的温度变化范围，都会影响实验设备获取数据的准确性。
2、数值模拟作为一种求解偏微分方程组的工具，被广泛地应用在增材制造的热分析中，其求解精度与网格疏密紧密相关，仍需花费大量的计算成本来细化网格保证数值解的精度，并且这样的离散求解方式只能针对网格节点进行定位求解，其余点对应的数值解需要通过插值算法求取。
3、目前大量的研究表明机器学习可以作为热分析的代理模型，通过建立仿真数据或实验数据集，训练相应的代理模型从数据集中学习到隐性规则，从而可以完成对未知数据的预测或重构。然而大多数代理模型如随机森林、时序神经网络、卷积神经网络、图神经网络等都可以被视作为黑箱，严重地依赖于数据集的大小，在训练过程并没有通过相应的物理知识或专家先验知识来约束网络的学习，从而导致得到的代理模型可解释性差、并且有可能得到违背物理规律的解。
技术实现思路
1、为了解决背景技术中存在的问题，本发明所提供一种融合物理特征和物理约束的增材制造温度场预测方法。本发明方法基于增材制造的真实物理过程，从机理建模出发提出一种具有可解释性的，无网格化的代理模型，弥补传统数据驱动模型无理论依据的缺陷，结合机理建模和数据驱动，通过多任务联合学习提高代理模型的泛化能力。
2、本发明采用的具体技术方案是：
3、本发明的融合物理特征和物理约束的增材制造温度场预测方法，包括：
4、步骤s1：根据增材制造过程中的打印制件的打印参数构建基于物理特征工程的训练数据集。
5、步骤s2：建立基于物理约束的温度场预测模型及其损失函数，并在温度场预测模型的输出端嵌入硬性编码边界条件。
6、步骤s3：将基于物理特征工程的训练数据集输入嵌入硬性编码边界条件的温度场预测模型中并选择特定的训练模式进行训练，直至损失函数收敛并达到预设迭代次数，获得训练完成的温度场预测模型。
7、步骤s4：将待预测的打印制件的打印参数进行步骤s1中相同的操作后输入训练完成的温度场预测模型中进行处理，训练完成的温度场预测模型处理后输出打印制件进行增材制造过程的预测温度场，最终实现增材制造温度场的预测，以预测温度场进行打印制件的增材制造。
8、所述的步骤s1中，基于物理特征工程的训练数据集的构建过程如下：
9、步骤s1.1：根据增材制造过程中的打印制件的打印参数，打印制件的打印参数包括打印制件的结构参数和加工工艺参数等，加工工艺参数包括热源温度、打印速度、挤出气压、打印层数、打印路径和打印材料等；使用有限元分析模拟得到打印制件在模拟打印过程中的各个网格节点的温度历史数据库，具体为首先采用生死单元技术模拟制件的打印过程，借助牛顿-拉夫森(newton-raphson)算法求解打印制件在打印过程中涉及的三维瞬态热传导问题，得到打印制件在打印过程中产生的模拟温度历史数据，温度历史数据库中包括打印制件在模拟打印过程中的连续时刻的 no行数据项，每行数据项中包括物理特征工程和温度标签，两者一一对应，物理特征工程包括由当前时刻的打印制件在模拟打印过程中的各个网格节点坐标、温度输出时间戳和网格节点激活时间构成的基本数据张量 q base，温度标签为当前时刻的打印制件在模拟打印过程中的各个网格节点温度；网格节点激活时间用于表征材料在采样点位置的成型时间点。
10、步骤s1.2：对温度历史数据库中的 no行数据项进行均匀随机采样后获得由 nd行数据项作为标签数据项部分， no> nd。
11、步骤s1.3：对温度历史数据库中的 no行数据项中的物理特征工程进行分时域适应性采样后获得由 np行基本数据张量 q base构成的物理约束项部分。
12、步骤s1.4：在打印制件的三维模型及其在模拟打印过程中的打印路径中提取出 n行附加特征工程项并构建为附加特征工程集合， n= nd+ np，将步骤s1.2获得的标签数据项部分中的物理特征工程、步骤s1.3获得的物理约束项部分和附加特征工程集合整合后构建获得基于物理特征工程的训练数据集。
13、挤出式增材制造的过程本质是通过控制喷头在预定的轨迹上移动并挤出材料逐层堆积成型，基于此物理过程结合打印路径构建基于物理特征工程的训练数据集。
14、所述的步骤s1.3如下：
15、步骤s1.3.1：以预设的时间片为单位时间段对打印制件在模拟打印过程中的总打印时间 t total进行离散后确定时间分辨率 tr， tr= t total/ n， n为预设的时间片的数量，在确定的时间分辨率 tr下，以预设的时间片为单位时间段；在打印制件的模拟打印过程中，对打印制件在当前时刻前的已打印成型部分进行采样，即对已打印成型部分的温度历史数据库中的物理特征工程通过拒绝采样法和低差异序列采样以第一预设数量 n t_ i进行采样后获得第一均匀物理特征工程集合。
16、步骤s1.3.2：针对每段时间片，以时间片中打印制件的已打印成型部分上距离打印喷头最近的坐标点为中心，即喷头轴线与已挤出材料相交的表面上一点为中心，在打印制件的模拟打印过程中，在预设第一半径 r ti的球邻域范围内对打印制件在当前时刻前的已打印成型部分进行采样，即对已打印成型部分的温度历史数据库中的物理特征工程以第二预设数量 n´ ti的逆变换均匀随机采样后获得第二均匀物理特征工程集合。
17、步骤s1.3.3：将步骤s1.3.1和步骤s1.3.2获得的第一和第二均匀物理特征工程集合共同构建为由 np行基本数据张量 q base构成的物理约束集合， np= nn ti+ nn´ ti。
18、所述的步骤s1.3.1中，在打印制件的模拟打印过程中，第一预设数量 n ti和打印制件在当前时刻前已打印成型部分的体积 v ti之间成固定的预设比例 β。
19、所述的步骤s1.4中，附加特征工程项包括打印制件的三维模型的表面标识符、当前采样时间下的采样点和打印喷头之间的距离在笛卡尔坐标系中三个基准方向分量、当前采样时间下的采样点距离打印制件的边缘的最短距离、当前采样时间下的空体占比指标、打印喷头在移动期间的累积时间以及当前采样时间下的采样点所在的打印层数。
20、在打印制件中搜索并采集在以当前采样时间下的采样点为球心，在预设第二半径 r f下的球邻域范围内的各个网格节点并构建为球节点集，采用凸包算法获得球节点集的凸包，再利用三角剖分算法剖分凸包后获得组成凸包的若干基本四面体单元，累计所有的基本四面体单元的体积后获得凸包的总体积 v neigh，最终根据当前采样时间下的球邻域的体积 v f和凸包的总体积 v neigh获得空体占比指标 ap， ap=1- v neigh/ v f 。
21、打印喷头在移动期间，若当前采样时刻下打印喷头不位于球邻域范围内，则将打印喷头上次位于球邻域范围内的时刻至当前采样时刻作为累计时间，若当前采样时间下打印喷头位于球邻域范围内，则当前的累计时间重置为零。
22、本方法提出的特征工程建立原则不受限于制件的具体结构、打印路径和数值模拟设置的单元尺寸等，具有较强的柔性，对制件形状、仿真单元各异的数据集适应性较高。
23、将步骤s1.3中获得的物理约束项部分拼接至步骤s1.2中获得的标签数据项部分中的物理特征工程之后进而获得由 n行基本数据张量 q base构成的物理项集合，然后将附加特征工程集合中的每行附加特征工程项按顺序依次拼接至物理项集合中的每行基本数据张量 q base之后获得行数不变的基于物理特征工程的训练数据集。
24、所述的步骤s2中，温度场预测模型以打印制件在增材制造过程的三维瞬态热传导微分控制方程作为物理约束；温度场预测模型由物理信息神经网络pinn(physics-informed neural network)和分支特征网络branch协同配合集成，分支特征网络branch具体为由全连接层构成的多层感知器mlp(multilayer perceptron)，物理信息神经网络pinn包括一层输入层、若干层隐藏层、若干逐层局部自适应激活函数和一层输出层构成，每个隐藏层后连接一个逐层局部自适应激活函数。
25、在温度场预测模型进行训练时，以归一化后的标签数据项部分中的温度标签对温度场预测模型的训练过程进行监督，以归一化后的物理约束项部分对温度场预测模型的训练过程进行物理约束，首先将基于物理特征工程的训练数据集中的标签数据项部分和物理约束项部分中的物理特征工程的各个网格节点坐标和温度输出时间戳进行归一化后作为物理信息神经网络pinn的输入，将基于物理特征工程的训练数据集中的标签数据项部分和物理约束项部分中的物理特征工程的各个网格节点激活时间和附加特征工程集合进行归一化后作为分支特征网络branch的输入，分支特征网络branch处理后输出潜在向量物理，信息神经网络pinn的第一层隐藏层处理后的输出和分支特征网络branch输出的潜在向量进行逐点相乘，然后再经过一层逐层局部自适应激活函数后前向传递至第二层隐藏层中进行处理，再依次经过各层隐藏层和逐层局部自适应激活函数处理后自输出层输出温度场的预测结果，在训练监督时，归一化后的标签数据项部分中的温度标签和预测温度场之间的误差小于预设误差阈值 ε；
26、物理约束具体如下：
27、△ t= α( t/ t), r =( x, y, z)∈ω( t)
28、 α= ρc p/ k
29、其中，△为拉普拉斯二阶微分算子； t、 α、 ρ、 c p和 k分别为打印制件的打印材料的瞬时温度、热扩散率、密度、定压比热容和热传导率， r为打印制件的采样点( x, y, z)的坐标；ω( t)为 t时刻打印制件的已打印成型部分。
30、温度场预测模型的损失函数如下：
31、 ltotal( θ; w, b)= w1 ldata( w, b)+ w2 lphy( θ; w, b)
32、 ldata( w, b)=(∑ i=1 nd( u´( q in i; w, b)- u)2)/ nd
33、 lphy( θ; w, b)=(∑ i=1 np(△ u´( q in i; w, b)- α u´( q in i; w, b)/ t)2)/ np
34、其中， ltotal( )、 ldata( )和 lphy( )分别为损失函数、数据标签损失项和物理约束残差损失项； θ为物理约束中的参数集，包括打印制件的打印材料的热扩散率、瞬时温度、密度、定压比热容和热传导率； w和 b分别为基于损失函数梯度更新的模型权重和偏差； w1和 w2分别为数据标签损失项和物理约束残差损失项的样本权重系数； u´( )和 u分别为温度场的预测结果和归一化后的温度标签，并随着迭代次数而发生更新，平衡各损失项的同时避免各项在优化时发生冲突； q in i为基于物理特征工程的训练数据集中的第 i行数据；△为拉普拉斯二阶微分算子。
35、损失函数 ltotal引导模型在真实物理过程约束的前提下进行学习，以最小化损失函数 ltotal为目标进行训练， ltotal趋于下降的同时，模型的输出就愈加趋于偏微分控制方程的解，当 ltotal收敛至小于预设误差阈值 ε或者训练次数达到预设迭代次数时停止训练。
36、所述的步骤s2中，硬性编码边界条件如下：
37、 u´( q in)= d( q in) u´´( q in i, θ; w, b)+ g b( q in i, θ)
38、其中， q in为基于物理特征工程的训练数据集； d( )为边界距离函数衡量采样点到制件底部边界的距离； g b( )为边界标签函数，是边界标签数据的扩展表示，针对底部存在的狄利克雷dirichlet第一边界条件， g b= t( x b, y b, z b)，即打印制件的底部各采样点( x b, y b, z b)的温度值； u´´( )为物理信息神经网络pinn的输出层的输出结果，即最终输出前一步的中间过程变量。
39、物理约束残差损失项对模型的训练起到正则化软约束作用，在模型输出端嵌入边界条件加以硬约束，具体来说，对于所有存在于制件底部的边界点，结合狄利克雷dirichlet第一边界条件，做硬编码处理。
40、所述的步骤s3中，在温度场预测模型进行训练时，当附加特征工程集合中的附加特征工程项的行数 n＜ n crit时， n crit为预设行数阈值，则选择全批量full-batch学习模式进行训练，当附加特征工程集合中的附加特征工程项的行数 n≥ n crit时，则采用小批量学习mini-batch训练模式进行训练。
41、同时在训练过程中，在前 n pre次批次训练时采用自适应矩估计adam优化器进行梯度下降以更新温度场预测模型的模型参数，在后 n later次批次训练时采用有限内存bfgs(broyden-fletcher-goldfarb-shanno)优化器对温度场预测模型的模型参数进行调整。
42、本发明的电子设备，包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行如上述所述的方法。
43、本发明的计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现如上述所述的方法。
44、本发明方法基于真实增材制造物理过程提取有意义的特征工程，通过定义混合网络架构和硬性编码边界条件，在损失函数中加入偏微分控制方程残差项来约束预测模型的训练过程，将欲求解坐标位置的特征信息输入至已经训练好的预测模型中即可快速得到待求位置处的温度值，从而完成增材制造温度场的预测或重构。
45、本发明的有益效果是：
46、本发明基于增材制造的真实物理过程，从机理建模出发提出一种具有可解释性的，无网格化的代理模型，通过充分考虑打印过程中喷头的移动带来相应的温度梯度变化，提取了基于物理的特征工程，并且将整个打印过程中涉及的三维偏微分瞬态传热控制方程嵌入代理模型的损失函数中约束模型的解空间，在输出端实现边界条件的硬性编码，本发明最终得到的代理模型弥补了传统模型缺乏可解释性和对数据集要求较高的问题。
47、本发明作为一种无网格化方法，在对新的增材制造案例的温度历史进行求解时，只需要固定代理模型的权重参数文件后，即可实时预测求解域的温度历史数据，并且不用再对非网格节点处的求解做特殊处理，如插值等，占用内存小，有助于在线预测。
48、本发明通过在模型中融合物理特征和物理约束，有效减少了增材制造温度历史的获取时间，弥补了传统代理模型缺乏可解释性和对数据集要求较高的问题，有助于在线预测以进行打印制件的增材制造。
1.一种融合物理特征和物理约束的增材制造温度场预测方法，其特征在于，包括：
2.根据权利要求1所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s1中，基于物理特征工程的训练数据集的构建过程如下：
3.根据权利要求2所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s1.3如下：
4.根据权利要求3所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s1.3.1中，在打印制件的模拟打印过程中，第一预设数量nti和打印制件在当前时刻前已打印成型部分的体积vti之间成固定的预设比例β。
5.根据权利要求2所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s1.4中，附加特征工程项包括打印制件的三维模型的表面标识符、当前采样时间下的采样点和打印喷头之间的距离在笛卡尔坐标系中三个基准方向分量、当前采样时间下的采样点距离打印制件的边缘的最短距离、当前采样时间下的空体占比指标、打印喷头在移动期间的累积时间以及当前采样时间下的采样点所在的打印层数；
6.根据权利要求2所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s2中，温度场预测模型以打印制件在增材制造过程的三维瞬态热传导微分控制方程作为物理约束；温度场预测模型由物理信息神经网络pinn和分支特征网络branch协同配合集成，物理信息神经网络pinn包括一层输入层、若干层隐藏层、若干逐层局部自适应激活函数和一层输出层构成，每个隐藏层后连接一个逐层局部自适应激活函数；
7.根据权利要求6所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s2中，硬性编码边界条件如下：
8.根据权利要求2所述的融合物理特征和物理约束的增材制造温度场预测方法，其特征在于：所述的步骤s3中，在温度场预测模型进行训练时，当附加特征工程集合中的附加特征工程项的行数n＜ncrit时，ncrit为预设行数阈值，则选择全批量full-batch学习模式进行训练，当附加特征工程集合中的附加特征工程项的行数n≥ncrit时，则采用小批量学习mini-batch训练模式进行训练；
9.一种电子设备，其特征在于，包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序数据，其特征在于，所述程序数据被处理器执行时实现如权利要求1-8中任一项所述的方法。
