TwinLab:用于数字孪生非侵入式降阶模型数据高效训练的框架
本文旨在探究数字孪生技术在工业4.0时代的应用及相关研究,主要通过文献综述和数字孪生建模技术分类探讨数字孪生建模所使用的不同建模技术、建模工具和优化方法,并提供该领域未来发展的趋势和研究方向。
Aug, 2022
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
研究了一个多保真代理模型框架,将多项式相关函数扩展(PCFE)与高斯过程(GP)相结合,提供了一种称为H-PCFE的有效代理模型,并引入了具有不同保真度的级联模型体系,称为Deep-HPCFE,其通过在不同模型之间引入空间相关性,有效地解决了由低保真度模型引起的预测误差问题。该多保真度框架的性能评估和数字双胞胎系统的实际应用证明了其有效性。
Jun, 2023
现有的数字孪生都依赖于基于数据的黑盒模型,主要使用深度神经网络来捕捉化学系统的动态,然而,由于安全和操作问题,这些模型尚未在实践中得以应用,为了解决这个问题,将基于物理学原理的混合模型与机器学习模型相结合已经越来越受欢迎,具有较强的预测性能,因此,为批次结晶开发了一种基于时间序列变压器的混合框架,通过与传统黑盒模型相比,该框架展示了更好的准确性和可解释性,未来预计基于注意力机制的混合模型将在化学制造业的发展中发挥关键作用。
Jul, 2023
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
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
通过引入一个差分方程解为数字孪生体,本研究实现了捕捉连续时间动态并利用无限深度模型对复杂系统建模的能力,并通过模拟实验证明了其在速度和能效方面相对于传统数字方法的显著性能提升,从而加快了数字孪生体的发展速度,为工业4.0的需求提供了高效快速的解决方案。
Jun, 2024
数字孪生的发展代表了一种在受控数字空间中模拟和优化复杂系统的变革性进展,本文介绍了一种智能框架用于构建和评估数字孪生,旨在提高数字孪生在测试算法性能方面的准确性和实用性。
Jun, 2024
提出了一个用于描述数字孪生中人工智能流程的领域特定语言(DSL),旨在简化数字孪生的设计和验证,通过将函数作为一等公民进行学习模型的有效操作,展示了Function+Data Flow(FDF)在结构的塑性应变预测和轴承的电磁行为建模两个具体用例中的优势。
Jun, 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