本研究提出了一种基于深度学习的双目模型，用于金属增材制造中的熔池温度监测。该模型以每秒750帧的速度处理数据，温度估计准确率达到0.95 R平方分数，显著提高了监测效率和准确性，减少了对人工数据处理的依赖。

本文介绍了一种基于概率扩散框架的生成性深度学习模型，能够将低保真度模拟信息映射到高保真度结果，显著降低计算成本。该模型通过集成神经网络与物理规律，预测金属增材制造中的熔池动力学，优化熔池几何和缺陷识别，从而提升产品开发效率。

该论文研究了金属增材制造过程中在线预测未打印零件的热场的方法。通过映射和重建，利用人工神经网络估计未打印层上点的温度曲线，并通过降阶模型构建整个层的温度场。经过实验验证，该方法在低成本台式机上能够快速构建未打印层的热场，并具有良好的泛化能力。

本文介绍了基于参数化物理模型的数字孪生（PPB-DT），用于预测激光粉末床熔化金属增材制造过程中的熔池几何和缺陷识别。通过机器学习模型（PPB-ML-DT），可预测、监测和控制熔池几何，加快产品开发和认证过程。