混合机器学习方法的比较 替代模型 部分收缩 在注塑成型中的替代模型

科学领域:

• 材料科学与工程 材料科学与工程
• 制造过程 制造过程 制造过程
• 计算科学 计算科学

背景情况:

• 机器学习 (ML) 提供了模拟复杂,非线性注塑成型过程的潜力.
• 数据收集方面的挑战和注塑成型的动态性质阻碍了纯数据驱动的ML应用.
• 整合流程知识与数据对于强大的预测模型至关重要.

研究的目的:

• 为了比较混合建模方法,将工艺数据与注射成型的物理知识相结合.
• 评估各种混合策略的有效性,包括特征学习,微调和物理约束.
• 通过模拟和实验数据确定最佳的混合方法来预测零件质量.

主要方法:

• 开发和比较混合机器学习模型,将过程数据与构成方程和数值模拟集成在一起.
• 研究了诸如特征学习,微调,三角形建模,预处理和物理约束等方法.
• 使用注塑成型零件的实验和模拟收缩数据进行训练和验证的模型.

主要成果:

• 所有混合方法在与纯粹基于数据的模型相比都显示出更高的性能.
• 微调方法在模拟设置中实现了最佳的预测准确性.
• 特性学习 (物理模型校准) 和物理约束的组合在实验环境中产生了最好的结果.

结论:

• 混合建模策略显著提高了注射成型工艺行为和部件质量的预测.
• 最佳的混合方法取决于数据上下文,微调在模拟中表现出色,并且在实验数据中倾向于采用组合方法.
• 将物理知识集成到机器学习模型中对于克服数据限制和提高制造业的预测准确性至关重要.