AI-aangedreven surrogaatmodellen versnellen realtime simulaties van composietproductie

Bron | IMDEA

Onlangs gepubliceerd onderzoek van het IMDEA Materials Institute (Madrid, Spanje) en de Technische Universiteit van Madrid (UPM) heeft tot doel de real-time simulatiemogelijkheden voor productieprocessen van composieten te verbeteren.

De studie, ‘A deep surrogate model for fill simulaties in liquid composiet moulding on unstructured 3D grids’, is co-auteur van prof. Carlos González, dr. Davide Mocerino en predoctoraal onderzoeker Sofia Fernández León van IMDEA Materials, en de profs van de UPM. Roberto Valle Fernández en Luis Baumela.

Aanbevolen inhoud

De onderzoekers zeggen dat hun onderzoek de belangrijkste beperkingen aanpakt van de huidige deep learning-surrogaatmodellen voor het simuleren van vloeistofstromen in composietproductieprocessen, en dat de resultaten het potentieel benadrukken van datagestuurde benaderingen om de efficiëntie, het aanpassingsvermogen en de veerkracht in geavanceerde productieprocessen te verbeteren.

Volgens de onderzoekers zijn simulaties van vloeibaar composietgieten (LCM) essentieel voor het optimaliseren van productieprocessen en het verminderen van defecten zoals holtevorming. Hun hoge rekenkosten hebben traditioneel hun gebruik in realtime toepassingen echter beperkt. Dit onderzoek pakt deze uitdaging aan door een op diepgaand leren gebaseerd surrogaatmodelleringsframework te introduceren dat in staat is nauwkeurige voorspellingen in milliseconden te leveren, waardoor nieuwe mogelijkheden voor digitale tweelingen en adaptieve procescontrole worden ontsloten.

“Een belangrijke innovatie hier ligt in het overwinnen van een van de belangrijkste knelpunten op dit gebied door het bereiken van rekenefficiëntie, hoge nauwkeurigheid en robuustheid voor de onregelmatige en ongestructureerde mazen die vaak voorkomen in industriële omgevingen”, legt Fernández León uit. “Aan deze eisen wordt zelden tegelijkertijd voldaan door bestaande neurale netwerkbenaderingen.”

De onderzoekers introduceerden ook een multi-vertakte encoder-decoder-architectuur om complexe geometrieën, zoals T-vormige stringers, te modelleren door ze op te splitsen in vlakke gebieden en consistentie tussen interfaces te garanderen.

Tegelijkertijd “maakt de voorgestelde grid mapping-techniek het gebruik mogelijk van convolutionele neurale netwerken op ongestructureerde 3D-domeinen, waarbij de nauwkeurigheid behouden blijft en de toepasbaarheid wordt uitgebreid naar realistische productiescenario’s”, voegt Fernández León toe.

Er wordt gezegd dat de resulterende surrogaatmodellen een sterke overeenkomst vertonen met zowel hifi-simulaties als experimentele gegevens, terwijl ze versnellingen van vier tot vijf ordes van grootte bereiken in vergelijking met conventionele methoden. Dit prestatieniveau is bedoeld om realtime implementatie in digitale productieomgevingen mogelijk te maken, ter ondersteuning van efficiëntere, adaptievere en veerkrachtiger composietproductieprocessen.

“Deze studie benadrukt het transformerende potentieel van het combineren van geavanceerde productie met kunstmatige intelligentie, waardoor de weg wordt vrijgemaakt voor volledig geïntegreerde, datagestuurde productiesystemen”, zegt Fernández León.