물리 정보 기반 아르곤 가스 구동 용융 풀 동역학 기계 학습

초록 금속 적층 제조(AM)에서 용융 풀 동역학은 공정 안정성, 미세 구조 형성 및 인쇄된 재료의 최종 특성에 중요합니다. 계산 유체 역학(CFD)을 포함한 물리 기반 시뮬레이션은 용융 풀 동역학을 예측하는 주요 접근 방식입니다. 그러나 물리 기반 시뮬레이션 접근 방식은 매우 높은 계산 비용이라는 고유한 문제를 겪고 있습니다. 이 논문에서는 기존의 신경망을 지배하는 물리 법칙과 통합하여 속도 및 압력에 대한 데이터 훈련 없이 온도, 속도 및 압력과 같은 용융 풀 동역학을 예측하기 위한 물리 정보 기반 기계 학습 방법을 제공합니다. 이 접근 방식은 비선형 나비에-스토크스 방정식을 수치적으로 해결하는 것을 피하여 계산 비용을 크게 줄입니다(속도 데이터 생성 비용 포함 시). 지배 방정식의 결정하기 어려운 매개변수 값 또한 데이터 기반 발견을 통해 추론될 수 있습니다. 또한, 물리 정보 기반 신경망(PINN) 아키텍처는 효율적인 모델 훈련을 위해 최적화되었습니다. 데이터 효율적인 PINN 모델은 지배 PDE, 초기 조건 및 경계 조건을 PINN 모델에 통합함으로써 부여된 추가 패널티에 기인합니다.