ИИ-суррогатные модели ускоряют реальные симуляции композитного производства

Источник | IMDEA

Недавно опубликованные исследования из IMDEA Materials Institute (Мадрид, Испания) и Технического университета Мадрида (UPM) направлены на продвижение возможностей реального времени симуляции для процессов композитного производства.

Исследование, «Глубокаясуррогатная модель для симуляций наполнения в жидком композитном литье на неструктурированных 3D сетках», коавторировано проф. Карлосом Гонсалесом, доктором Давиде Мочерино и докторантом Софией Фернандес Леон из IMDEA Materials, и проф. Роберто Валле Фернандес и Луиса Баумела из UPM.

Рекомендуемый контент

Исследователи говорят, что их исследование адресует ключевые ограничения текущих глубоких обучающихсуррогатных моделей для симуляции потока жидкости в процессах композитного производства, и результаты подсвечивают потенциал data-driven подходов для повышения эффективности, адаптивности и устойчивости в передовиных производственных процессах.

Согласно исследователям, симуляции liquid composite molding (LCM) необходимы для оптимизации производственных процессов и снижения дефектов таких как образование пустот. Однако их высокая вычислительная стоимость традиционно ограничивала их использование в реальном времени. Это исследование адресует этот вызов, вводя фреймворк суррогатного моделирования на основе глубокого обучения, способный доставлять точные предсказания в миллисекундах, открывая новые возможности для цифровых двойников и адаптивного процессного контроля.

«Ключевая инновация здесь заключается в преодолении одного из главных узких мест в этой области за счет достижения вычислительной эффективности, высокой точности и робастности к нерегулярным и неструктурированным сеткам, обычно встречающимся в промышленных настройках», — объясняет Фернандес Леон. «Эти требования редко удовлетворяются одновременно существующими подходами нейронных сетей».

Исследователи также ввели многоветвистую архитектуру энкодер-декодер для моделирования сложных геометрий, таких как T-образные стрингеры, разбивая их на планарные регионы и обеспечивая согласованность через интерфейсы.

В параллели, «Предложенная техника маппинга сетки позволяет использовать сверточные нейронные сети на неструктурированных 3D доменах, сохраняя точность в то время как расширяя применимость к реалистичным производственным сценариям», — добавляет Фернандес Леон.

Результирующиесуррогатные модели, как сообщается, демонстрируют сильное согласование как с высокоточными симуляциями, так и с экспериментальными данными, достигая ускорения в четыре-пять порядков величины по сравнению с конвенционными методами. Этот уровень производительности нацелен на обеспечение реального времени развертывания в цифровых производственных средах, поддерживая более эффективные, адаптивные и устойчивые процессы композитного производства.

«Это исследование подсвечивает трансформационный потенциал комбинирования передовиного производства с искусственным интеллектом, пролагая путь к полностью интегрированным, data-driven производственным системам», — говорит Фернандес Леон.