PHYSICS-INFORMED MACHINE LEARNING FOR MULTI-OBJECTIVE OPTIMIZATION IN ADDITIVE MANUFACTURING: A DATA-EFFICIENT APPROACH

doi:10.17973/MMSJ.2025_10_2025094

PHYSICS-INFORMED MACHINE LEARNING FOR MULTI-OBJECTIVE OPTIMIZATION IN ADDITIVE MANUFACTURING: A DATA-EFFICIENT APPROACH

2025-10-01

0

PRE

AI

T

Truong, Thanh-Cong *

H

HUYNH NGOC THANH TRUNG

DOI：10.17973/MMSJ.2025_10_2025094

原文链接

原文求助

摘要

En 中文

增材制造（AM）质量控制依赖于经验方法，因为其过程-性能关系复杂。尽管机器学习（ML）提供了有前景的解决方案，但大多数方法将参数视为独立变量，未能利用支配打印材料性能的热-力学原理。这对于理解熔融沉积成型（FDM）打印行为至关重要。本研究探讨了将基础热-力学知识融入特征工程，能否在数据受限条件下改进聚乳酸（PLA）部件的力学性能预测。通过使用50个受控打印条件下的实验样本，系统比较了三种特征工程策略：原始工艺参数、基于传热和材料流动原理的物理信息特征，以及五种机器学习算法的多元交互项。物理信息特征始终优于基线方法，其中Huber回归器获得的决定系数达到0.817（较原始参数提升51.3%）。使用SHapley加性解释（SHAP）进行的特征重要性分析识别出层高和喷嘴温度为主要预测因子，而工程化的热扩散和密度特征对模型性能有显著贡献。本研究展示了物理信息特征工程在数据受限增材制造场景中提高预测精度的潜力，为热-力学整合提供了方法论见解，并为工业人工智能（AI）实施提供了可操作指导。

Keyword:

Additive manufacturing

Fused deposition modelling

Artificial intelligence

Machine Learning

Feature Engineering

PHYSICS-INFORMED MACHINE LEARNING FOR MULTI-OBJECTIVE OPTIMIZATION IN ADDITIVE MANUFACTURING: A DATA-EFFICIENT APPROACH

摘要

期刊

机构

引用论文