Суррогатные модели на основе искусственного интеллекта ускоряют моделирование производства композитных материалов в реальном времени

Источник | ИМДЕА

Недавно опубликованное исследование Института материалов IMDEA (Мадрид, Испания) и Мадридского технического университета (UPM) направлено на расширение возможностей моделирования в реальном времени процессов производства композитов.

Исследование «Глубокая суррогатная модель для моделирования заполнения при формовании жидких композитов на неструктурированных трехмерных сетках» написано в соавторстве с профессором Карлосом Гонсалесом, доктором Давиде Мочерино и научным сотрудником Софией Фернандес Леон из IMDEA Materials, а также профессорами UPM. Роберто Валле Фернандес и Луис Баумела.

Рекомендуемый контент

Исследователи говорят, что их исследование направлено на устранение ключевых ограничений существующих суррогатных моделей глубокого обучения для моделирования потока жидкости в процессах производства композитов, а результаты подчеркивают потенциал подходов, основанных на данных, для повышения эффективности, адаптируемости и устойчивости в передовых производственных процессах.

По мнению исследователей, моделирование формования жидких композитов (LCM) важно для оптимизации производственных процессов и уменьшения дефектов, таких как образование пустот. Однако их высокая вычислительная стоимость традиционно ограничивала их использование в приложениях реального времени. Это исследование решает эту проблему, представляя систему суррогатного моделирования на основе глубокого обучения, способную давать точные прогнозы за миллисекунды, открывая новые возможности для цифровых двойников и адаптивного управления процессами.

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

Исследователи также представили многоветвевую архитектуру кодера-декодера для моделирования сложных геометрических фигур, таких как Т-образные стрингеры, путем разбиения их на плоские области и обеспечения согласованности между интерфейсами.

Параллельно с этим «предлагаемый метод отображения сетки позволяет использовать сверточные нейронные сети в неструктурированных трехмерных областях, сохраняя точность и расширяя применимость к реалистичным производственным сценариям», — добавляет Фернандес Леон.

Сообщается, что полученные суррогатные модели демонстрируют четкое согласие как с высокоточным моделированием, так и с экспериментальными данными, обеспечивая при этом ускорение на четыре-пять порядков по сравнению с традиционными методами. Этот уровень производительности призван обеспечить развертывание в реальном времени в цифровой производственной среде, поддерживая более эффективные, адаптивные и отказоустойчивые процессы производства композитных материалов.

«Это исследование подчеркивает преобразующий потенциал сочетания передового производства с искусственным интеллектом, открывая путь к полностью интегрированным производственным системам, управляемым данными», — говорит Фернандес Леон.