Feb, 2024

面向增材制造的数字孪生框架：时间序列工艺优化的机器学习与贝叶斯优化

PDF
TL;DR利用数字孪生框架在实时预测控制激光直接能量熔化 (DED) 过程参数以满足特定设计目标，通过 LSTM 机器学习建立代理模型预测 DED 零件的温度，在此基础上引入贝叶斯优化 (Bayesian Optimization) 进行时间序列过程优化 (Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。
laser-directed-energy depositionadditive manufacturingheat managementdigital twin frameworkbayesian optimization
发现论文，激发创造
  • 深度神经算子支持的增材制造数字孪生建模

    通过构建数字孪生模型，利用深度神经算子和深度学习模型，结合高精度计算模型解决熔池状态和缺陷预测的问题，并通过优化算法控制激光输入来提高增材制造的质量。

    May, 2024

  • 激光粉床熔化过程的统计参数化基于物理的机器学习数字孪生模型

    本文介绍了基于参数化物理模型的数字孪生（PPB-DT），用于统计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在内的诊断应用。通过基于物理模型和实验数据训练的机器学习模型（PPB-ML-DT），这些数字孪生模型可用于预测、监测和控制熔池几何，加快基于激光粉末床熔化金属增材制造的产品开发和认证过程。

    Nov, 2023

  • 在油气工业中增强可靠性和适应性的数字孪生框架，实现最优和自治决策

    该研究提出了一个数字孪生框架，应用于石油和天然气工业中的气举过程，旨在提高数字孪生系统的稳健性和适应性。该框架结合了贝叶斯推断、蒙特卡罗模拟、迁移学习和不确定性管理等技术，为数字孪生系统提供高效、可靠、值得信赖的识别，并致力于改进复杂实际场景中的决策过程。

    Nov, 2023

  • 基于数据驱动的增材制造知识的可转移性分析：粉末床熔化和定向能量沉积之间的案例研究

    通过三步骤的知识可转移性分析框架，提出了一种支持数据驱动式增材制造知识转移的方法，该方法能够在不同的增材制造技术之间进行知识转移，包括数据表示、模型架构和模型参数等方面，为实现高效的跨环境或跨过程知识交流奠定了基础。

    Sep, 2023

  • 数字孪生在工艺行业的学习范式和建模方法论

    数字孪生是过程工业数字化转型的核心，本研究对数字孪生的建模方法、学习策略和挑战进行了系统分析，旨在填补现有研究中对过程工业数字孪生学习模式的缺失。

    Jul, 2024

  • 基于稀疏注意力的数字孪生中生产过程优化的质量预测

    通过使用生产线的数学模型，基于质量预测模型的数字孪生模型在虚拟和实际生产线之间实现了流畅的集成，提高了过程质量和生产效率。

    May, 2024

  • 基于物理的数字孪生技术在自主热食品加工中的应用：高效、非侵入式的简化建模

    本文提出了一种基于物理和数据驱动的数字孪生框架，用于自主食品加工，该框架含有最小计算负载、数据存储和传感器数据要求的精益数字孪生概念，并采用一个节俭的实验设计用于训练热处理的非侵入式降阶模型，其最佳模型的测试均方根误差小于 1 开尔文（0.2％平均百分比误差），模拟速度加快达到 1.8E4 Sp，可用于设备内的模型预测控制。

    Sep, 2022

  • 使用深度强化学习进行零缺陷智能锻造

    本文提出了一种基于数字化孪生技术的深度强化学习框架来优化模拟锻造生产线上的加热过程，为钢铁锻造等低数字化程度的产业带来了自动化与优化的解决方案。

    Jan, 2022

  • 金属增材制造中基于物理启发神经网络的实时二维温度场预测

    利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。

    Jan, 2024

  • 应用监督机器学习和基于物理的机器学习方法预测铝合金摩擦搅拌堆焊的峰值温度分布

    通过结合监督式机器学习和基于物理的神经网络，本研究使用先进的方法预测了加性摩擦搅拌沉积（AFSD）过程中的峰值温度分布，为优化材料微结构提供了全面的见解。

    Sep, 2023