人工智能驱动的替代模型加速实时复合材料制造模拟
来源 | IMDEA
IMDEA 材料研究所（西班牙马德里）和马德里技术大学 (UPM) 最近发表的研究旨在提高复合材料制造工艺的实时仿真能力。
这项研究“非结构化 3D 网格上液体复合材料成型填充模拟的深度替代模型”由 IMDEA Materials 的 Carlos González 教授、Davide Mocerino 博士和博士前研究员 Sofia Fernández León 以及 UPM 教授共同撰写。罗伯托·瓦莱·费尔南德斯和路易斯·鲍梅拉。
特色内容
研究人员表示，他们的研究解决了当前用于模拟复合材料制造工艺中流体流动的深度学习替代模型的主要局限性，结果凸显了数据驱动方法在提高先进制造工艺的效率、适应性和弹性方面的潜力。
研究人员表示，液态复合材料成型 (LCM) 模拟对于优化制造工艺和减少空隙形成等缺陷至关重要。然而，它们的高计算成本传统上限制了它们在实时应用中的使用。 这项研究通过引入基于深度学习的代理建模框架来解决这一挑战，该框架能够在几毫秒内提供准确的预测，从而为数字孪生和自适应过程控制带来新的可能性。
“这里的一项关键创新在于，通过实现工业环境中常见的不规则和非结构化网格的计算效率、高精度和稳健性，克服该领域的主要瓶颈之一，”Fernández León 解释道。 “现有的神经网络方法很少能同时满足这些要求。”
研究人员还引入了多分支编码器-解码器架构，通过将 T 形纵梁等复杂几何形状分解为平面区域并确保界面之间的一致性来对它们进行建模。
与此同时，“所提出的网格映射技术可以在非结构化 3D 域上使用卷积神经网络，在保持准确性的同时将适用性扩展到实际制造场景，”Fernández León 补充道。
据称，由此产生的替代模型与高保真模拟和实验数据都表现出强烈的一致性，同时与传统方法相比，速度提高了四到五个数量级。这种性能水平旨在实现数字制造环境中的实时部署，支持更高效、适应性和弹性的复合材料生产流程。
Fernández León 表示：“这项研究凸显了先进制造与人工智能相结合的变革潜力，为完全集成、数据驱动的生产系统铺平了道路。”
树脂