智能融合：增材制造多物理场AI建模与工业应用实战

基础奠基
1.增材制造物理基础（理论+案例）
1.1.金属激光增材制造物理过程
1.1.1.激光-材料相互作用机理
1.1.2.关键缺陷形成机制
1.2.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）
1.3.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）
2.1.深度学习基础（CNN、RNN、LSTM、Attention、Transformer等）
2.2.迁移学习、联邦学习、迭代学习等
2.3.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。
2.4.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
3.1.工业 AI 模型开发范式
3.2.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
1.1.以物理约束替代或补充标签数据的原因、优势、途径
1.2.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
2.PINN在增材制造中的建模策略
2.1.增材制造中的温度场建模需求
2.2.控制方程建模与边界条件设定
3.工程化处理技巧
3.1.网格采样（collocation points）策略
3.2.输入归一化与输出约束
3.3.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
4.PINN的前沿扩展与高级用法
4.1.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）
4.2.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）
4.3.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
1.1.不确定性种类和来源
1.2.不确定性传递的基本原理
1.3.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
2.1.Fluent在增材制造中的典型建模内容
2.2.如何在Fluent中引入不确定性
2.3.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
3.1. Polynomial Chaos Expansion
3.2. Sobol 敏感性分析与方差分解
3.3. 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
1.1.晶粒结构与材料性能关系
1.2.增材制造过程微观组织多尺度建模路径
1.3.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
2.1.ExaCA模拟流程详解
2.2.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
3.1.数据获取、网络结构设计
3.2.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）