德國宇航中心的科研人員正在研究使用混合數據模型進行機器學習的可能性。在這種情況下，混合意味著不同的數據來源：來自于對過程的事先了解和真實數據。德國宇航中心的科研人員設想，將先驗知識整合到人工智能模型中可以減少對真實數據的渴求，從而打開其作為工業應用的大門。

 

纖維復合材料工藝鏈上的一個項目是圍繞著固化過程展開的。在這里，由真空產生的均勻的表面壓力對部件的良好質量至關重要。泄漏會導致固化不均勻，形成氣穴和廢品。因此，質量保證需要一個快速和可靠的泄漏檢測系統。因此，研究人員開發了一個基于人工智能的原型，從真空積累的流量數據中計算出整個部件表面的泄漏概率。在這樣做的過程中，他們還使用了關于組件上真空連接的目標對稱布置的先驗知識，以便因此實現更準確的預測。

 

另一個例子是考慮鞏固過程中的材料變形。能夠預測這一點對精確生產部件很重要。為此，研究人員開發了一個基于先前物理知識數據的人工智能模型：一個神經網絡根據材料、工藝和部件參數，對固結后的預制件的回彈行為進行了預測。在另一個應用中，一個神經網絡根據綜合工藝知識和溫度方案計算出熱轉換曲線，這構成了預測復雜部件固化程度的基礎。

 

這里給出的例子表明，乘著人工智能的浪潮，數據科學和工程之間的跨學科合作可以進一步提高輕量化結構生產的經濟效率。

圖：一個人工智能模型計算泄漏概率，一旦超過閾值就會做出反應（紅色：模型預測，黃色：實際泄漏位置）