Physics-Informed Dynamical Modeling of Extrusion-Based 3D Printing Processes

本文提出了一种基于纳维 - 斯托克斯方程并经过空间平均简化的降阶动力学流动模型，旨在解决挤出式 3D 打印过程中模型保真度与计算成本之间的权衡问题，从而为实时优化与控制提供高效且准确的解决方案。

要点

这篇论文讲述了一个关于如何让 3D 打印变得更聪明、更快速的故事。

想象一下，你正在用一台巨大的“水泥 3D 打印机”建造一座房子。这台机器像挤牙膏一样，把特制的“水泥牙膏”（一种粘稠的建筑材料）从喷嘴里挤出来，一层层堆叠成墙壁。

核心问题是什么？
虽然现在的 3D 打印机硬件很厉害，但控制它的“大脑”（软件）却很笨重。

• 传统的“超级大脑”（高精度模拟）： 就像用超级计算机去模拟每一滴水泥分子的运动。虽然算得极其精准，但算一次需要几个小时甚至几天。等算出结果，房子都盖完了，根本没法用来实时控制打印过程。
• 现在的挑战： 我们需要一个既聪明（能理解物理规律）又反应快（能瞬间算出结果）的“小脑”，以便在打印过程中实时调整，防止水泥挤歪了或者堆叠不稳。

这篇论文做了什么？
作者们发明了一个**“物理驱动的简化模型”。你可以把它想象成给复杂的物理世界画了一张“极简地图”**。

1. 把打印过程切成三块（三个子系统）

作者没有试图一次性算出整个打印过程，而是把喷嘴到地面的过程切成了三段，就像把一条河流分成上游、中游和下游：

• 第一段：喷嘴内部（高压区）
  • 比喻： 就像你用力挤牙膏。牙膏在管子里被推着走，速度主要取决于你挤得有多用力（进料速度）。
  • 简化： 这里主要看“推力”，不管下面板子怎么动，管子里的牙膏速度主要看你怎么挤。
• 第二段：喷嘴到地面的缝隙（过渡区）
  • 比喻： 牙膏刚离开喷嘴，还没完全粘在地上的时候。这时候，既受你挤的力度影响，也受地面移动速度的影响（就像有人拉着牙膏走）。
  • 简化： 这是一个“混合区”，推力和拉力在打架，模型需要平衡这两者。
• 第三段：已经铺在地上的层（移动区）
  • 比喻： 牙膏已经粘在地上了。这时候，它怎么动主要取决于地面跑得多快。你挤得再用力，如果地面不动，它也就堆在那儿；如果地面跑得快，它就被拉长了。
  • 简化： 这里主要看“地面速度”，之前的推力影响变小了。

2. 如何做到“既快又准”？

作者没有发明新的物理定律，而是利用了**“空间平均”和“数据训练”**两个魔法：

• 魔法一：抓大放小（空间平均）
  他们不关心牙膏在管子里每一毫米的微小波动，只关心平均速度。就像看交通流量，我们不需要知道每辆车的速度，只需要知道“平均车速”是多少。这样就把复杂的数学方程（偏微分方程）简化成了简单的方程（常微分方程）。
• 魔法二：向超级计算机“偷师”（数据训练）
  虽然模型简化了，但参数（比如摩擦系数、阻力系数）是未知的。作者先用那个笨重的“超级大脑”（CFD 高精度模拟）算出各种情况下的标准答案，然后让他们的“小脑”去模仿这些答案。
  • 训练过程： 就像教一个学生做题。先给“超级大脑”算出的标准答案（训练数据），让“小脑”调整自己的参数，直到它算出的结果和标准答案几乎一样。
  • 输入依赖： 他们发现，当进料速度变化时，某些参数会变；当地面速度变化时，另一些参数会变。所以他们让模型的参数能根据输入自动调整，就像给模型装上了“自适应眼镜”。

3. 结果怎么样？

作者测试了这个模型，发现它非常棒：

• 插值能力（举一反三）： 如果模型学会了“挤 50 单位”和“挤 70 单位”的情况，它就能非常准确地猜出“挤 60 单位”时会发生什么。
• 外推能力（触类旁通）： 即使遇到没见过的情况（比如挤得特别快或特别慢），模型也能给出不错的预测，虽然不如插值那么准，但比乱猜强多了。
• 速度极快： 这个简化模型的计算速度比原来的“超级大脑”快得多，完全可以在打印过程中实时运行。

总结

这篇论文就像是为 3D 打印造了一个**“自动驾驶系统”。
以前，打印水泥建筑像是在“盲开”，或者需要等很久才能知道路对不对。现在，作者们设计了一个“导航仪”**，它不需要计算每一颗沙子的运动，而是通过理解水流的基本规律（物理）和参考过去的经验（数据），瞬间告诉打印机：“嘿，现在挤太快了，减速一点！”或者“地面跑太快了，加大力度！”

这使得未来的 3D 打印建筑不仅能造得更快，还能造得更精准、更智能，真正实现实时控制。

技术摘要

这是一份关于《基于物理信息的挤出式 3D 打印工艺动力学建模》（Physics-Informed Dynamical Modeling of Extrusion-Based 3D Printing Processes）论文的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：在挤出式 3D 打印（特别是直接墨水书写 DIW，用于水泥基结构制造）的计算建模中，模型保真度与计算成本之间的权衡是一个主要难题。
• 现有局限：
  • 高保真模型（如 CFD）：虽然能详细分析离线流场和应力分布，但计算成本极高，无法用于实时优化和控制。
  • 传统控制模型：现有的降阶模型（Reduced-Order Models, ROM）多集中于金属增材制造（如激光粉末床熔融），针对挤出式打印（DIW）的流体动力学降阶模型研究较少。
  • 现有 DIW 模型缺陷：已有的简化模型往往未能将挤出丝的形成过程作为可控输入变量的显式函数来描述，或者缺乏对物理机制的充分整合，难以满足实时闭环控制的需求。
• 研究目标：开发一种计算可行且物理意义明确的降阶动力学模型，能够基于可控输入变量（如进料质量流量、移动平台速度）预测 DIW 过程中的丝材形成和流动稳定性，以支持实时控制。

2. 方法论 (Methodology)

本研究提出了一种物理信息驱动的数据驱动动力学建模框架，将物理定律与系统辨识技术相结合。

2.1 物理过程分解

将挤出式 3D 打印过程分解为三个串联的子系统：

1. 子系统 1（喷嘴内部）：材料在压力驱动下进入喷嘴。
2. 子系统 2（喷嘴 - 基底间隙）：材料挤出并受到基底运动的剪切牵引。
3. 子系统 3（沉积层）：材料在移动基底上的铺展与稳定。

2.2 降阶模型推导 (Physics-Informed Derivation)

• 基础方程：从描述流体运动的纳维 - 斯托克斯（Navier-Stokes）方程（连续性方程和动量方程）出发。
• 简化假设：假设流体不可压缩、牛顿流体、层流、二维流动，并忽略重力影响。
• 空间平均技术 (Conservative Averaging Method, CAM)：
  • 对动量方程中的时空变量进行空间平均，将偏微分方程（PDE）转化为常微分方程（ODE）形式的数学结构。
  • 利用抛物线速度分布假设（基于无滑移边界条件），推导出平均速度与压力梯度、粘性力及外力项之间的关系。
• 参数化降阶模型：
  • 保留物理方程的结构，但将系数参数化。例如，子系统 1 的平均速度动态方程被构建为：
    $$\frac{d\bar{v}_1}{dt} = \beta_1 p_{d1} + \beta_2 \bar{v}_1 + \beta_3 \dot{m}$$
  • 输入依赖参数化：为了捕捉非线性，模型系数（$\beta$）被进一步参数化为输入变量（质量流量 $\dot{m}$ 和平台速度 $U_s$）的线性函数。例如：$\beta_1 = \gamma_1 \dot{m}$。这使得模型能够适应不同的工艺条件。

2.3 数据生成与模型辨识

• 高保真数据源：使用 ANSYS Fluent 进行 3D 计算流体动力学（CFD）模拟，生成涵盖不同进料质量流量（50-70 mm/s 等效流速）和基底速度（50-70 mm/s）的 9 种工况数据。
• 系统辨识：采用非线性最小二乘法（Nonlinear Least Squares）在 MATLAB 中对模型参数进行拟合，最小化模型预测值与 CFD 真值之间的误差。

3. 关键贡献 (Key Contributions)

1. 首创 DIW 专用降阶动力学模型：据作者所知，这是首个专门针对直接墨水书写（DIW）工艺流动动力学 formulated 的降阶模型，填补了该领域的空白。
2. 物理与数据的深度融合：模型并非纯粹的数据驱动（黑盒），而是基于物理守恒定律推导出的结构，再通过数据驱动的方式确定参数。这种“物理信息”（Physics-Informed）的方法保证了模型的可解释性和外推能力。
3. 模块化架构：将复杂的打印过程分解为三个物理意义明确的子系统，分别处理喷嘴内流、间隙剪切和沉积铺展，便于模块化分析和控制设计。
4. 实时控制兼容性：模型最终形式为微分 - 代数方程组，计算复杂度极低，完全满足实时控制和优化的计算要求。

4. 实验结果 (Results)

研究通过多种训练 - 测试场景验证了模型性能：

• 插值能力 (Interpolation)：
  • 使用极端工况（最低和最高流量/速度）训练，预测中间工况。
  • 结果：模型在三个子系统中均表现出极高的精度，预测曲线与 CFD 真值高度吻合。均方根误差（RMSE）在测试集中甚至低于部分训练集，表明模型具有良好的泛化能力。
• 外推能力 (Extrapolation)：
  • 低值外推（用高流量训练，预测低流量）：表现优异，误差较小。
  • 高值外推（用低流量训练，预测高流量）：误差相对较大，特别是在子系统 2 和 3。这是因为高流速下非线性耦合效应（如基底剪切牵引）更显著，而低流量训练数据未能充分覆盖这些强非线性特征。
• 随机划分测试：
  • 在随机划分训练/测试集（不同比例）的情况下，模型保持了稳定的预测性能。
  • 子系统 2 的局限性：在低流量高速度（强剪切）工况下，子系统 2（基于代数映射）的误差略高于其他子系统，这是因为该子系统采用了简化的代数关系，物理表达性略弱于基于物理方程推导的子系统 1 和 3。
• 误差分布：
  • 子系统 1（喷嘴内）和子系统 3（沉积层）的预测误差主要集中在 $\pm 0.005$ m/s 范围内，显示出极高的保真度。
  • 整体而言，模型成功捕捉了主导的流动动力学特征。

5. 意义与结论 (Significance & Conclusion)

• 理论意义：证明了将物理第一性原理（Navier-Stokes 方程）与数据驱动参数化相结合，可以有效解决复杂流体动力学过程的降阶建模难题，为水泥基 3D 打印提供了新的理论工具。
• 工程应用价值：
  • 该模型计算效率高，适用于实时监测、闭环控制和工艺优化。
  • 能够预测丝材质量和流动稳定性，有助于解决打印过程中的几何精度和材料浪费问题。
  • 为构建“智能制造系统”中的数字孪生体奠定了计算基础。
• 总结：该研究成功开发了一种既简单（适合实时控制）又准确（与高保真 CFD 数据一致）的降阶动力学模型，有效解决了挤出式 3D 打印中流动动力学建模的实时性瓶颈，为未来自动化和智能化的混凝土 3D 打印技术提供了关键支撑。