電弧增材制造過程涉及絲材的送入和熔化，熔融金屬向熔池的過渡，熔池中液態金屬的對流、凝固和成形。缺陷的形成與電弧增材制造過程中發生的復雜多物理場現象密切相關。因此，需要借助高保真數值模擬技術來深入理解這些物理現象，并將其作為優化工藝條件、制造高質量產品的理論依據。本文綜述了電弧增材制造傳熱傳質數值模擬涉及的關鍵技術，并對未來研究方向進行了展望：首先，介紹了幾種典型的熱源模型，鑒于電弧增材制造過程中熔池的形成與演變是多種驅動力共同作用的結果，分析了浮力、電磁力、表面張力、電弧壓力、電弧剪應力模型對流體流動和熔池表面變形的影響。

熔池行為是多種驅動力共同作用的結果，重力、浮力、電磁力、表面張力、電弧壓力、電弧剪應力等驅動力對流體流動和熔池表面變形均有影響。由于液態金屬在較高溫度下的密度較低，金屬內部各部分之間存在密度差異。因此，在熔池中心產生向上的浮力，液態金屬由底部流向頂部，到達上表面后流向熔池邊緣。熔池中心的溫度高于熔池邊緣的溫度，一般金屬熔液表面張力溫度梯度為負值，會形成熔池中心的高溫液態金屬流向熔池邊緣溫度較低區域的流動模式，距離中心越遠，液態金屬流速越快。受表面張力驅動的Marangoni力的影響，熔池的形狀寬且淺。液態熔池受到感應磁場的影響，會引起液態金屬的對流流動。在熔池表面，液態金屬由熔池邊緣向熔池中心流動。

如圖1a、b所示，沿x軸和y軸方向的電磁力從圓弧外圍指向中心，在距圓弧中心處達到峰值。沿z軸方向的電磁力垂直向下，在工件表面達到峰值，如圖1c所示。在熔池內部，液態金屬由熔池上部沿中心線向下流動，再沿液固界面流向熔池表面，最大流速出現在熔池中間區域，熔池底部產生凸起，熔池隨之變深，這與大多數研究的結果一致；在熔滴內部，Cadiou等研究發現電磁力促成了熔滴的扁平化，這導致沿液橋的表面張力增加，在熔滴從焊絲上分離之前，表面張力占主導地位，在脈沖階段，電磁力沿液橋強烈增加，導致液滴脫離，如圖1d所示。

圖1電磁力分布：（a—c）熔池內部笛卡爾坐標系x、y、z方向；（d）熔滴內部

電弧壓力是形成熔池凹陷區的驅動力。熔池中心表面的液態金屬受到較大的壓力，向周圍移動。液態金屬在熔池中心區域流速最大，而越靠近熔池底部流速越小。這種流動模式允許更多的熱量從熱源傳遞到熔池底部，從而導致深度滲透。如圖2所示，液態金屬在電弧壓力的驅動下被推到熔池的后部，并在凝固時形成冠狀。

圖2電弧壓力作用下熔池的形貌

電弧剪切應力的存在是由于電弧等離子體中既有動能又有動量。當電弧等離子體從熔池中心撞擊熔池時，熔池表面會受到向外的剪切應力。類似于表面張力，熔池表面的剪切應力促使液態金屬向外流動。它通常在靜止焊接或低速焊接過程中呈軸對稱分布，如圖3所示，從電弧中心到邊界，電弧剪切應力先急劇增加后減小。在高焊接速度下，電弧沿焊接方向變形，產生非軸對稱分布的電弧剪切應力，此時可以假設電弧剪切應力分布在一個雙橢圓區域。

圖3電弧剪切應力分布示意圖

現階段通常使用一個或多個經驗公式來模擬熔池驅動力，這種方法簡單易用，可以快速計算出驅動力的變化情況。然而，在模擬過程中，需要進行一些假設和約定，這可能導致模擬結果的不精確或不可靠；其次，熔池驅動力模型存在一定的簡化和近似，可能會忽略一些細節和復雜的物理現象，這也會對模擬結果產生影響；此外，在模擬過程中需要輸入大量的參數和設置，如果這些參數和設置不正確，將會對模擬結果產生影響。

本文綜述了WAAM傳熱傳質數值模擬涉及的關鍵技術。在WAAM過程中，熔池的形成與演變是多種驅動力共同作用的結果，其中，電磁力、表面張力、電弧壓力、電弧剪應力等驅動力模型以源項的形式添加到動量方程中?？紤]到電弧的變形，部分學者還建立了非軸對稱分布的驅動力模型。速度入口填充液態金屬的過渡模型一般用于GMAW和CMT熱源類型。將過渡金屬假設為球狀的方法操作簡單，容易收斂，被大多數模型所采納。固態金屬焊絲模型相對復雜，能夠預測不同的過渡方式和詳細的過渡動態。建模域通常被視為兩相流問題，其中與VOF法相比，LS法能預測更銳利的界面。但是，LS法不能嚴格保證質量守恒，而VOF法可以更好地保證質量守恒。因此，VOF法得到了更廣泛的應用。上述開發的模型能夠模擬具有動態自由表面的熔池，但是還存在一些局限，未來發展前沿涉及：

（1）提高精度和可靠性。由于這些模型不可避免地基于一些假設并進行簡化，例如，工藝參數對孔隙、咬邊等缺陷的影響經常被忽略，在數值建模中，必須考慮這些現象，以更全面地預測熔池的動力學和形態。此外，為了提高對模擬結果的評估準確性，需要加強驗證模擬的實驗數據和方法的準確性。

（2）探索熱學、固體力學和冶金現象耦合的多尺度模擬。

增材制造工藝涉及廣泛的長度和時間尺度，從熔池的動態變化到最終零件的微觀結構。開發多尺度的仿真工具有助于全面理解成形過程，并預測制造的零件的力學性能和微觀結構。值得注意的是，多尺度模型可能更為復雜。

（3）結合機器學習與人工智能技術。隨著模型復雜程度的提升，仿真時間和計算量迅速增加。將數值計算與機器學習相結合，充分挖掘計算數據意義的同時提高計算速率，為突破當前局限提供了一種可行的技術手段。