Математическое моделирование нестационарного теплопереноса в селективном лазерном плавлении на основе машинного обучения
Автор: Кишов Е.А.
Журнал: Онтология проектирования @ontology-of-designing
Рубрика: Методы и технологии принятия решений
Статья в выпуске: 1 (55) т.15, 2025 года.
Бесплатный доступ
Рассматривается численное моделирование тепловых процессов при 3 D -печати с использованием технологии селективного лазерного плавления на основе машинного обучения. Построена математическая модель нестационарного теплопереноса в стержне переменного сечения в виде дифференциального уравнения в частных производных относительно температуры стержня. Предложен алгоритм численного решения уравнения с использованием системы Matlab . Показано, что при определённых исходных данных распределение температуры носит квазистационарный характер. Для данного случая получено простое аналитическое выражение для температурного поля. С использованием библиотеки TensorFlow построена и обучена нейросеть. Данные для обучения нейросети получены при помощи аналитического решения тепловой задачи. Результаты расчётов с использованием нейросети соответствуют результатам решения исходной математической модели. Отмечается, что трёхмерное моделирование процесса печати для реальных изделий требует значительных компьютерных ресурсов. Показано, что модели на основе машинного обучения могут быть использованы для аппроксимации температурного поля при 3 D -печати по технологии селективного лазерного плавления подобных по форме деталей.
3d-печать, нестационарный теплоперенос, распределение температуры, математическое моделирование, машинное обучение, нейросеть
Короткий адрес: https://sciup.org/170208814
IDR: 170208814 | DOI: 10.18287/2223-9537-2025-15-1-142-151
Список литературы Математическое моделирование нестационарного теплопереноса в селективном лазерном плавлении на основе машинного обучения
- Blakey-Milner B., Gradl P., Snedden G. et al. Metal additive manufacturing in aerospace: A review. Materials & Design. 2021. Vol.209. 110008. DOI: 10.1016/j.matdes.2021.110008.
- Зленко М.А., Нагайцев М.В., Довбыш В.М. Аддитивные технологии в машиностроении: пособие для инженеров. М. ГНЦ РФ ФГУП «НАМИ», 2015, 220 с.
- Bayat A., Dong W., Thorborg J., To A.C., Hattel J.H. Review of multi-scale and multi-physics simulations of metal additive manufacturing processes with focus on modeling strategies. Additive Manufacturing. 2021. Vol.47. 102278. DOI: https://doi.org/10.1016/j.addma.2021.102278.
- Young Т., Hazarika D., Poria S., Cambria E. Recent Trends in Deep Learning Based Natural Language Processing // IEEE Computational Intelligence Magazine. 2018. Vol.13. Iss.3. P.55-75. DOI: 10.1109/MCI.2018.2840738.
- Epstein Z., Hertzmann A. Art and the science of generative AI. Science. 2023. Vol.380. Iss.6650. P.1110-1111. DOI: 10.1126/science.adh4451.
- Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics. 2019. Vol.378. P.686-707. DOI: 10.1016/j.jcp.2018.10.045.
- Wang C., Tan X.P., Tor S.B., Lim C.S. Machine learning in additive manufacturing: State-of-the-art and perspectives. Additive Manufacturing. 2020. Vol.36. 101538. DOI: 10.1016/j.addma.2020.101538.
- Jeronen J., Tuovinen T., Kurki M. One-Dimensional Thermomechanical Model for Additive Manufacturing Using Laser-Based Powder Bed Fusion. Computation. 2022. Vol.10. Iss.6. DOI: 10.3390/computation10060083.
- Рапопорт Э.Я., Плешивцева Ю.Э. Технология оптимального проектирования сложноструктурированных систем с распределѐнными параметрами: программные стратегии принятия решений. Онтология проектирования. 2017. T.7, № 2. С.172-190. DOI: 0.18287/2223-9537-2017-7-2-172-190.
- Рапопорт Э.Я., Плешивцева Ю.Э. Альтернансный метод в векторных задачах параметрической оптимизации систем с распределѐнными параметрами. Онтология проектирования. 2018. Т.8, №4. С.615-627. DOI: 10.18287/2223-9537-2018-8-4-615-627.
- Matlab. Официальная документация. https://www.mathworks.com/help/matlab/ref/pdepe.html.
- Кутателадзе С.С., Боришанский В.М. Справочник по теплопередаче. 1958. М.: Госэнергоиздат. 414 с.
- Myers R.H., Montgomery D.C., Anderson-Cook C.M. Response Surface Methodology: Process and Product Optimization Using Designed Experiments, 4th Edition. 2016. Wiley. 856 p.
- Kelleher J.D., Namee B.M., D'Arcy A. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples. 2nd Edition. 2020. The MIT Press. 853 p.
- Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization // Materials of 3rd International Conference for Learning Representations, San Diego, 2015. DOI: 10.48550/arXiv.1412.6980.