南京工业大学机械与动力工程学院田明轩教授团队开发了一种基于物理信息几何循环神经网络的人工智能模型，能够在电弧增材制造（WAAM）过程中以毫秒级速度实时预测熔融金属的温度变化。这项发表于《通讯工程》的研究通过将物理热传导定律与深度学习相结合，显著提高了温度预测的准确性和适应性，为金属3D打印工艺控制提供了突破性解决方案。

该AI系统通过分析最近1.25秒的温度数据，预测接下来1.25秒的热行为，这是过程控制的关键窗口。测试结果显示，其最大预测误差在仿真数据中为4.5%，实验数据中约为13.9%，且生成结果仅需约12毫秒，比传统有限元仿真快约30万倍。通过嵌入物理约束和结合几何形状、材料属性及工艺参数输入，系统有效减少了长期预测中的累积误差。

实验验证采用机器人WAAM系统沉积薄壁钢结构，热成像相机实时监测过程。尽管存在表面发射率和环境因素干扰，模型仍能准确跟踪温度演化，并在长达10秒的预测中保持稳定，这对管理热流和减少残余应力至关重要。研究还表明，采用迁移学习策略（先在仿真数据训练，再在实验数据优化）可将训练时间减少50%而不损失精度。

这项技术有望实现增材制造的前馈控制，使设备能够在问题发生前自动调整热输入或送丝速度等参数，同时可作为数字孪生系统的核心组件，提升工艺监控和质量保证能力。虽然研究聚焦WAAM技术，但该方法通过特定工艺数据重新训练，可扩展至激光或电子束沉积等其他金属3D打印工艺。

该突破凸显了物理原理与机器学习融合的显著优势，为解决金属增材制造中的热管理挑战提供了高效方案，对航空航天、医疗器械等高价值制造领域的质量控制具有重要意义。