这篇论文介绍了基于深度学习的预测质量系统的概念，在制造业的数字化过程中利用机器学习实现质量保证，特别针对 GMAW 焊接过程进行复杂的数据关系分析和预测质量建模。

Oct, 2023

使用卷积神经网络对钛涂覆的镍线中 Kirkendall 气孔的体积分数进行了测量，预测了不同类型的气孔在均质化过程中的体积分数变化并通过分割模型对其进行了语义分割。

Jun, 2023

使用深度学习方法基于热图像进行反演定位激光粉床熔化成型制件外置孔隙率，该研究的目标是建立基于成型过程中获得的热图像的实时孔隙分布图。通过卷积神经网络模型来预测孔隙计数和通过视频视觉 Transformer 模型的时空注意机制来指示预期孔隙存在的区域。本研究在添加制造监测数据上奠定了基于部件孔隙率的 “数字孪生” 的基础，可以用于减少部件质量认证过程中耗时的后期检测和测试工作。此外，我们通过对成型过程监测数据的机器学习分析，希望加快获得通常仅通过外置部件评估获得的重要洞察。

Apr, 2024

结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

Jul, 2020

提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

Aug, 2022

通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的 Navier-Stokes 方程，显著降低了计算成本。

Jul, 2023

本研究聚焦于声发射和其他多模态传感器数据在混合导向能沉积（DED）过程中的时间频率模式，以高时空分辨率（0.5 毫米和 < 1ms）的空间为目标来进行研究。采用可解释人工智能的 LIME 方法，建立了 AE 气动波形签名与 DED 工艺中毛孔形成之间的定量联系。

Apr, 2023

本研究介绍了一种结合模型预测控制（MPC）和深度锻造（DeepForge）机器学习模型的封闭模具热锻微结构控制的新方法。DeepForge 利用包含 1D 卷积神经网络和门控循环单元的体系结构，利用工件表面温度测量值作为输入来预测锻造过程中的微结构变化。此外，研究还探讨了利用 MPC 调整间锤等待时间以对抗温度干扰以在工件的特定 2D 区域实现目标晶粒尺寸小于 35 微米。实验结果验证了方法的有效性，取得了锻造过程控制和质量改进的重要进展，其中温度作为额外的自由度被利用。

Feb, 2024

通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了 3 微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

Nov, 2023

利用自监督预训练非常小的 CNN-transformer 模型来预测地层岩石的物理性质，具有高准确度且时间有效，可避免使用极小数据集的过度拟合。

May, 2022