深度神经算子支持的增材制造数字孪生建模
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
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。
Feb, 2024
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
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
该研究介绍了 Deep Operator Network (DeepONet) 的应用，作为一个强大的代理建模方法，用于数字孪生系统，应用于核工程领域。DeepONet 展现了出色的预测准确性，优于传统机器学习方法。通过广泛的基准测试和评估，研究展示了 DeepONet 在解决复杂粒子传输问题方面的可伸缩性和计算效率。该研究对优化传感器布置和模型评估提出了挑战，这是实际实施中的关键问题。总的来说，DeepONet 为核工程研究和应用提供了一个有希望和具有变革性的工具，其准确的预测和高效的计算能力可以推动数字孪生系统的进一步发展，推进核工程研究，实现对关键工程领域的代理建模技术的有效利用。
Aug, 2023
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
本研究从不同角度探索了物理信息神经网络在数字孪生中的潜力，包括验证自适应采样方法在免网格框架中的有效性、评估数据驱动的 PINN 框架的性能，验证其在参数化 Navier-Stokes 方程中的可扩展性，提出了多保真度的数据驱动 PINN 方法，并评估其在不同的预测任务中的预测性能，最后通过集合方法研究了多保真度的数据驱动 PINN 方法的不确定性量化性能，证实了其在数字孪生中的潜力。
Jan, 2024