AI-gedreven surrogaatmodellen versnellen real-time composietproductiesimulaties

Bron | IMDEA

Onlangs gepubliceerd onderzoek van IMDEA Materials Institute (Madrid, Spanje) en de Technische Universiteit van Madrid (UPM) streeft ernaar real-time simulatiemogelijkheden voor composietproductieprocessen te verbeteren.

De studie, "A deep surrogate model for filling simulations in liquid composite moulding on unstructured 3D grids," is geco-auteurd door Prof. Carlos González, Dr. Davide Mocerino en predoctorale onderzoeker Sofia Fernández León van IMDEA Materials, en de UPM's Profs. Roberto Valle Fernández en Luis Baumela.

Uitgelichte Content

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

Volgens de onderzoekers zijn vloeistof composiet molding (LCM) simulaties essentieel voor het optimaliseren van productieprocessen en het verminderen van defecten zoals holtevorming. Echter, hun hoge computationele kosten hebben traditioneel hun gebruik in real-time toepassingen beperkt. Dit onderzoek aanpakt die uitdaging door een deep learning-gebaseerd surrogaatmodelleringsframework te introduceren capabel van accurate voorspellingen in milliseconden, wat nieuwe mogelijkheden voor digitale tweelingen en adaptieve procescontrole ontgrendelt.

"Een cruciale innovatie hier ligt in het overwinnen van een van de hoofdknepelpunten in dit veld door computationele efficiëntie, hoge nauwkeurigheid en robuustheid tegen de irreguliere en ongestructureerde meshes die algemeen in industriële omstandigheden worden gevonden," legt Fernández León uit. "Deze vereisten worden zelden tegelijkertijd voldaan door bestaande neurale netwerkbenaderingen."

De onderzoekers introduceerden ook een multi-branched encoder-decoder architectuur om complexe geometrieën te modelleren, zoals T-vormige stringers, door ze op te breken in vlakke regio's en consistentie over interfaces te waarborgen.

In parallel, "De voorgestelde grid mapping techniek stelt het gebruik van convolutional neural networks op ongestructureerde 3D domeinen mogelijk, behoudend nauwkeurigheid terwijl de toepasbaarheid wordt uitgebreid naar realistische productiescenario's," voegt Fernández León toe.

"Deze studie benadrukt het transformatieve potentieel van het combineren van geavanceerde productie met kunstmatige intelligentie, de weg baanend naar volledig geïntegreerde, data-gedreven productiesystemen," zegt Fernández León.