基于物理的数据增强实现了熔池几何的准确机器学习预测

准确的熔池几何预测对于确保激光粉末床熔融（L-PBF）的质量和可靠性至关重要。然而，小型实验数据集和有限的物理可解释性通常限制了传统机器学习（ML）模型的有效性。本研究提出了一种混合框架，将显式热模型与机器学习算法相结合，以改善稀疏数据条件下的预测。显式模型经过针对可变渗透深度和吸收率的校准，生成合成熔池数据，增强了316 L不锈钢在导热、过渡和钥孔状态下的36个实验样本。利用五折交叉验证训练了三种机器学习方法——多层感知器（MLP）、随机森林和XGBoost。混合方法显著提高了预测准确性，尤其是在不稳定的过渡区域（D/W ≈ 0.5–1.2），在这些区域，形态波动阻碍了实验采样。表现最佳的模型（MLP）实现了 R2 > 0.98，MAE 和 RMSE 均显著下降。结果突出了将物理一致、非线性分布的合成数据融入模型以增强泛化能力和鲁棒性的好处。这种物理增强的学习策略不仅通过将机制建模与数据驱动学习相结合显示出了科学新颖性，还为金属增材制造中的智能过程优化、在位监测和数字孪生开发提供了可扩展的解决方案。