虚拟铸造工厂用于金属烧结变形预测
介绍了一种基于图卷积的替代模型的混合方法,可以更便宜地进行加工和生成新的数据模拟,实现从网格数据到图或点云结构的转换,通过深度学习预测的结果与有限元方法产生的结果相似,且在生成模拟方面优于现有的 PointNet 和简单图神经网络模型。
Oct, 2023
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
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
深度学习预测电磁软件计算结果是近年来广泛讨论的问题之一,本研究中,我们提出使用 ResNets-10 模型来预测等离子体元表面的 S11 参数,并通过 k 折交叉验证和小学习率进行两阶段训练,结果显示对于铝、金和银金属 - 绝缘体 - 金属等离子体元表面的预测损失分别为 - 48.45,-46.47 和 - 35.54,由于超低的误差值,该网络可在一定结构范围内替代传统的电磁计算方法进行计算,此外,该网络的训练过程少于 1,100 个 epochs,有效降低了设计过程时间,该提出的 ResNets-10 模型还可用于设计元互衍射器件和生物传感器,从而减少计算过程所需的时间,网络的超低误差表明该研究对未来人工智能电磁计算软件的发展有所贡献。
Aug, 2023
本文通过使用多模式热编码网络,融合具有不同特征的数据,包括视频数据、向量化打印机控制数据和精确的零件热特征签名,从而实现了零件质量的准确预测。
Apr, 2024
利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应,但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略,允许保持问题的多尺度特性,并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变,并保留微观本构材料模型以获得应力,我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度,并允许非局部性产生。通过对各种网格进行训练,GNN 学习了对未见过的网格的泛化,使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量,并提高了准确性。我们证明了对于几个具有挑战性的情景,代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律,因此我们的方法可以显著加速 FE2 模拟。
Feb, 2024
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
该论文研究了如何在金属增材制造过程中,当只有少量传感器可用时,如何在线预测未打印零件的热场。该研究提出了一种使用映射和重建的在线热场预测方法,该方法可集成到金属增材制造过程中进行在线性能控制。通过温度曲线的相似性,该方法利用人工神经网络从先前已打印层上某些点的测量温度来估计未打印层上点的温度曲线。利用同一层上几个点的测量 / 预测温度曲线,通过降阶模型(ROM)构建同一层上所有点的温度曲线,以建立整个层的温度场。通过极限学习机(ELM)进行 ROM 的训练,以提高计算效率。通过进行 15 个线电弧增材制造实验和九个具有固定长度和单向打印的薄壁的仿真测试,结果表明所提出的预测方法能够在低成本台式机上在 0.1 秒内构建未打印层的热场。同时,该方法在大多数情况下具有可接受的一般化能力,可从较低层到较高层在同一模拟中以及从一种模拟到另一种模拟的不同增材制造参数上适用。更重要的是,经过有限实验数据的微调后,所有预测温度曲线在新实验中的相对误差非常小,证明了所提出的在线金属增材制造热场预测方法在实际应用中的适用性和泛化能力。
Oct, 2023
该研究提出了一种基于图神经网络和专家指导的机器学习方案,用于自动生成飞机模型的计算流体动力学网格,通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理,实现了避免精细度不足所导致的计算流体动力学网格生成失败,并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性,使求解器能够收敛并产生准确结果。此外,通过与自适应重网格方法的对比,我们发现我们的方法在仿真过程中的速度是后者的 5 倍。
Aug, 2023