要点

内容

基础奠基

1. 增材制造物理基础（理论+案例）
   1. 金属激光增材制造物理过程
      1. 激光-材料相互作用机理
      2. 关键缺陷形成机制
   2. 多物理场监测方法（红外、可见光、相干光、声发射信号、同步辐射等）
   3. 金属增材成型质量监测一般技术路线（数据采集、特征提取、模型构建、闭环控制）
2. 深度学习核心理论（理论+案例）
   1. 深度学习基础（CNN、RNN、LSTM、Attention、Transformer等）
   2. 迁移学习、联邦学习、迭代学习等
   3. 增材特征工程：多模态特征融合、时频域变换、经验模态分解、特征提取。
   4. 工业场景模型评估指标：准确性、鲁棒性、稳定性、泛化能力
3. PyTorch在增材制造中的应用实践
   1. 工业 AI 模型开发范式
   2. 性能优化与工程调优技术

案例实践（SCI论文复现）：（1）定向能量沉积常见缺陷过程监测；

（2）定向能量沉积或激光焊接形貌质量控制；

核心算法精研

1. 物理信息神经网络(PINN)基础
   1. 以物理约束替代或补充标签数据的原因、优势、途径
   2. PINN核心原理与构建方式

案例实践：一维热传导问题的PINN构建流程

1. PINN在增材制造中的建模策略
   1. 增材制造中的温度场建模需求
   2. 控制方程建模与边界条件设定
2. 工程化处理技巧
   1. 网格采样（collocation points）策略
   2. 输入归一化与输出约束
   3. 梯度计算效率优化与收敛调试技巧

案例实践：熔池状态分类部署

1. PINN的前沿扩展与高级用法
   1. 深层结构设计（多输出PINN（温度+应力等多物理量）、轻量化网络等）
   2. 数据融合与弱监督建模（稀缺样本、数据驱动 + 物理约束的混合模型）
   3. 工程挑战与实际部署问题

案例实践：基于迁移学习PINN的增材制造3D温度场预测（论文复现，如何套壳实现你自己领域的PINN模型）

增材制造专题

（一）

1. 增材制造中不确定量化（UQ）建模基础
   1. 不确定性种类和来源
   2. 不确定性传递的基本原理
   3. 不确定性传递的数学框架（输入不确定性 → 模型 → 输出响应不确定性）
2. 基于Fluent的仿真与不确定性传播分析
   1. Fluent在增材制造中的典型建模内容
   2. 如何在Fluent中引入不确定性
   3. 不确定性传播分析流程
3. 不确定性量化与敏感性分析方法
   1.  Polynomial Chaos Expansion
   2.  Sobol 敏感性分析与方差分解
   3.  Kriging代理模型

案例实践：（1）仿真数据驱动定向能量沉积温度场不确定性量化

（2）温度梯度/冷却速率稳定性鲁棒最优化

增材制造专题

（二）

1. 增材制造中的微观组织与晶体结构建模
   1. 晶粒结构与材料性能关系
   2. 增材制造过程微观组织多尺度建模路径
   3. 显微组织图像的获取与处理
2. ExaCA 模拟工具入门与操作流程
   1. ExaCA模拟流程详解
   2. 输出结果分析与可视化
3. 基于图像的晶体学参数预测模型构建
   1. 数据获取、网络结构设计
   2. 模型训练与验证、可视化

案例实践：ExaCA + AI的集成建模与预测应用（与前面的知识相融合）