通过使用Squeeze U-net算法，加速高保真物理模拟中的激光熔化过程的激光光线追踪

《Additive Manufacturing》：Accelerating laser ray tracing in high fidelity physics simulations of laser melting using squeeze U-net

工业4.0背景下的激光熔融过程高效模拟方法研究。通过改进的squeeze U-net神经网络加速激光追踪计算，在保持能量守恒97%精度的前提下，使计算效率提升4-40倍。该方法成功建模了复杂表面拓扑下的激光能量沉积，为数字孪生和增材制造工艺优化提供新途径。

　　

罗伯特·C·布莱克 | 萨阿德·A·海拉拉

劳伦斯利弗莫尔国家实验室，美国加利福尼亚州利弗莫尔东大道7000号，邮编94550

摘要

激光熔化是正在进行的工业革命（被称为工业4.0）的核心组成部分，因为激光在先进制造中实现了快速而精确的熔化和融合。迫切需要利用仿真来优化激光工艺。然而，这已被证明是具有挑战性的，因为预测建模需要高保真度的仿真，而即使在高性能计算机上使用数百个处理器进行仿真，其成本也仍然过高。挑战在于捕捉激光与材料相互作用、流体动力学、热物理以及在不同长度和时间尺度上的材料相变等复杂物理现象。为了缩小这一技术差距，我们改进了一种挤压U-net结构，将高保真度模型中的激光光线追踪部分的速度提高了约4到40倍，同时以97%的准确度保持了能量守恒这一核心物理原理。这种方法能够准确模拟激光能量吸收与局部表面温度及复杂表面拓扑结构之间的关系，这些因素决定了激光光线与材料表面相互作用时的反射方向和能量损失。

引言

工业4.0[1]利用先进的计算框架推动制造业的创新，其中增材制造（AM）是核心技术[2]。在AM中，激光粉末床熔化（LPBF）[3]和定向能量沉积（DED）[4]是主要的金属3D打印方法。这两种方法都依赖于从CAD数据逐层制造，但在原料输送和激光交互方式上有所不同：DED通过喷嘴引入粉末，并保持连续的熔池；而LPBF则使用细小的激光点快速熔化铺展在基底上的粉末，从而产生高度动态的热条件。这些工艺能够生产出传统方法无法实现的复杂几何形状和零件，并在成本和交货时间上带来效率提升。

成熟AM技术的主要挑战之一是优化激光工艺参数，如激光功率和扫描速度，以满足制造要求[5][6]。利用实验数据和/或仿真数据对于解决这一挑战至关重要。最终目标是依靠计算优化，而不是像爱迪生那样通过反复试验来寻找最佳参数，即通过工艺参数扫描来打印出示范性零件，并通过事后分析来确定最优参数。这需要时间和资金，从而减缓了AM技术的广泛应用。

有必要创建数字孪生体[7][8]，即几乎实时模拟实际物理过程的完整复杂性的数字副本。利用深度学习加速复杂物理仿真可以利用快速的GPU执行能力，从而实现这些数字孪生体的创建，因为用户需要比实际运行物理过程本身更快地获得预测结果。

本文研究了使用在完整保真度仿真数据上训练的神经网络替代模型来近似高保真度热流激光多物理场仿真中昂贵的激光光线追踪部分的可行性。我们的动机是，计算速度的提高可以推动未来的方法论进步。如果没有大幅加速光线追踪步骤，多轨道或多层激光扫描仿真在计算上是不切实际的。在将替代模型插入多物理场求解器的循环之前，我们必须首先证明，鉴于我们可用的数据，这样的替代模型是可行的，它能够捕捉到物理上一致的行为，并且能够带来能够支持更大规模仿真的优势。

在这项工作中，我们探讨了轻量级的挤压U-net架构是否能够在DED和LPBF过程中出现的复杂表面拓扑上近似激光能量沉积，同时保持一致的全局能量预算。能量守恒约束被直接纳入损失函数中，以鼓励物理上合理的预测结果。与传统的U-net[9]相比，挤压U-net通过减少过拟合和内存占用提供了实际优势，使我们能够在高保真度仿真所需的密集3D网格上进行训练，同时仍然能够捕捉输入场的基本结构。

部分摘录

高保真度物理仿真及其与激光光线追踪的相关性

我们要求我们的人工网络能够泛化到激光熔化物理过程，因此选择了AM中最流行的两种技术LPBF和DED，以涵盖大多数激光熔化过程中可能出现的一般激光-材料表面相互作用。LPBF和DED之间的一个主要区别在于表面拓扑（见图1）。在LPBF中，施加的激光能量分布是一个具有狭窄直径（由标准差决定）的高斯分布

结果

除了执行速度和低内存占用（见第2.4节）之外，我们对网络的要求还包括能够捕捉激光光线击中的位置分布（见数学表达式）以及在这些位置沉积的总能量，同时关键的是保持正确的激光吸收率。

这些指标本质上源于能量预算的保持需求，换句话说，网络不应沉积比实际需要更多的或更少的能量

结论

我们证明了使用内存效率高的挤压U-net神经网络替代完整的激光光线追踪是可行的，适用于两种流行的增材制造技术（DED和LPBF，见图1），这两种技术的熔化动力学具有很大差异。这种方法即使在相对较小的数据集上进行训练，也能捕捉到激光熔化的基本物理现象，并实现高效的推理性能。最初仅在LPBF中，准确度受到限制

CRediT作者贡献声明

罗伯特·C·布莱克：撰写 – 审稿与编辑、原始草稿撰写、可视化、验证、软件开发、资源管理、方法论设计、调查研究、形式化分析、数据整理、概念构思。萨阿德·A·海拉拉：撰写 – 审稿与编辑、可视化、验证、监督、软件开发、资源管理、项目统筹、方法论设计、资金获取、形式化分析、数据整理、概念构思。

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的财务利益或个人关系。

致谢

我们要感谢Cyrus Harrison在visIt软件命令行界面方面提供的帮助，以及与Youngsoo Choi、Xiaoting Zhong和Teeratorn Kadeethum关于条件生成对抗网络方法的讨论。本工作是在美国能源部劳伦斯利弗莫尔国家实验室的资助下完成的（合同编号：DE-AC52-07NA27344）。许可证类型为CC BY-NC-ND4.0。PEM-PSI-WSC提供资金支持。审稿发布编号为LLNL-PROC-2009721。