关于人工神经网络架构的研究,考虑注塑成型过程的步骤
Junhan Lee1, Jongsun Kim1, Jongsu Kim1
1Molding & Metal Forming R & D Department, Korea Institute of Industrial Technology, Bucheon 14442, Republic of Korea.
Polymers
|January 17, 2024
概括
这项研究引入了一种新的人工神经网络 (ANN) 方法,用于预测注塑产品的特性. 与传统的ANN相比,新的多任务学习技术显著提高了预测准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 人工智能的人工智能
背景情况:
- 注塑成型是聚合物产品的关键制造工艺.
- 准确预测产品特性 (质量,直径,高度) 对于质量控制至关重要.
- 现有的人工神经网络 (ANN) 模型往往忽略了注塑过程的顺序阶段.
研究的目的:
- 开发一个改进的ANN模型来预测注射成型产品的特性.
- 将不同过程阶段的结构特征纳入ANN架构.
- 通过使用基于过程的多任务学习技术,提高注射成型ANN的预测性能.
主要方法:
- 一个人工神经网络 (ANN) 被设计用于使用六个关键注塑成型过程条件来预测产品特性.
- 应用了基于过程的多任务学习技术,将过程阶段的特定信息集成到ANN的隐藏层连接中.
- 开发了两个新的网络结构,并将它们的性能与传统的ANN架构进行了比较.
主要成果:
- 与传统的ANN相比,多任务学习ANN架构表现出更高的性能.
- 根平均平方误差 (RMSEs) 通过拟议的方法减少了高达两倍的数量.
- 整合过程阶段特定结构显著提高了财产预测的准确性.
结论:
- 开发的基于过程的多任务学习方法为注射成型应用中构建ANN提供了更有效的方法.
- 本研究为设计利用过程阶段特定特征以提高预测能力的ANN提供了有价值的指导.
- 这些发现强调了制造工艺的结构特征在人工智能驱动的预测模型中的重要性.
