English
簡體中文
德國宇航中心的科研人員正在研究使用混合數(shù)據(jù)模型進(jìn)行機(jī)器學(xué)習(xí)的可能性。在這種情況下，混合意味著不同的數(shù)據(jù)來源：來自于對過程的事先了解和真實(shí)數(shù)據(jù)。德國宇航中心的科研人員設(shè)想，將先驗(yàn)知識(shí)整合到人工智能模型中可以減少對真實(shí)數(shù)據(jù)的渴求，從而打開其作為工業(yè)應(yīng)用的大門。
纖維復(fù)合材料工藝鏈上的一個(gè)項(xiàng)目是圍繞著固化過程展開的。在這里，由真空產(chǎn)生的均勻的表面壓力對部件的良好質(zhì)量至關(guān)重要。泄漏會(huì)導(dǎo)致固化不均勻，形成氣穴和廢品。因此，質(zhì)量保證需要一個(gè)快速和可靠的泄漏檢測系統(tǒng)。因此，研究人員開發(fā)了一個(gè)基于人工智能的原型，從真空積累的流量數(shù)據(jù)中計(jì)算出整個(gè)部件表面的泄漏概率。在這樣做的過程中，他們還使用了關(guān)于組件上真空連接的目標(biāo)對稱布置的先驗(yàn)知識(shí)，以便因此實(shí)現(xiàn)更準(zhǔn)確的預(yù)測。
另一個(gè)例子是考慮鞏固過程中的材料變形。能夠預(yù)測這一點(diǎn)對精確生產(chǎn)部件很重要。為此，研究人員開發(fā)了一個(gè)基于先前物理知識(shí)數(shù)據(jù)的人工智能模型：一個(gè)神經(jīng)網(wǎng)絡(luò)根據(jù)材料、工藝和部件參數(shù)，對固結(jié)后的預(yù)制件的回彈行為進(jìn)行了預(yù)測。在另一個(gè)應(yīng)用中，一個(gè)神經(jīng)網(wǎng)絡(luò)根據(jù)綜合工藝知識(shí)和溫度方案計(jì)算出熱轉(zhuǎn)換曲線，這構(gòu)成了預(yù)測復(fù)雜部件固化程度的基礎(chǔ)。
這里給出的例子表明，乘著人工智能的浪潮，數(shù)據(jù)科學(xué)和工程之間的跨學(xué)科合作可以進(jìn)一步提高輕量化結(jié)構(gòu)生產(chǎn)的經(jīng)濟(jì)效率。
圖：一個(gè)人工智能模型計(jì)算泄漏概率，一旦超過閾值就會(huì)做出反應(yīng)（紅色：模型預(yù)測，黃色：實(shí)際泄漏位置）