南京工业大学机械与动力工程专业的研究团队开发出一种物理信息神经网络操作符（PINO）框架，首次在电弧增材制造（WAAM）过程中实现了实时形变预测。

该研究提出的PIDeepONet-RNN模型可提前15秒预测z轴和y轴方向的热机械形变，最大绝对误差分别为0.9733毫米和0.2049毫米。

相较于传统有限元仿真所需的4小时计算时间，新模型将预测时间缩短至150毫秒以内，同时保持了较高精度。



研究人员使用ER70S-6和Q235b低碳钢构建了经实验验证的有限元数据集，模拟几何结构包括300×300×10毫米基板和100毫米高的薄壁。

模型训练在单个NVIDIA GeForce RTX 4050 GPU上完成，训练5000个周期后达到收敛，耗时约104分钟。

一旦训练完成，模型可在150毫秒内生成全场预测，大幅提升了计算效率。



通过平均绝对误差（MAE）、KL散度和结构相似性指数（SSIM）对四种替代模型进行测试，PIDeepONet-RNN在最初五秒窗口内记录了最低的MAE，z轴为0.0261毫米，y轴为0.0165毫米。

引入热传导约束将最大绝对误差较无约束模型降低了约20%，并有效防止了在层间过渡期间的误差累积。

预测的von Mises应力分布与有限元基准高度匹配，平均误差为2.3%，证实基于物理的正则化增强了真实性。



该架构可直接与现场传感器集成，在逐层沉积过程中提供连续反馈，适用于数字孪生集成。

与有限元法不同，训练后的网络无需为每个工艺变化重建，即可推广到未见参数，同时保持预测保真度。

未来的工作将把该方法扩展到复杂3D几何形状，并计划进行现场验证以进一步提高工业应用中的预测可靠性。

该项研究发表在arXiv上，为金属增材制造的质量控制提供了新的解决方案。