DeepForge: 利用AI通过模型预测控制实现金属成形中的微观结构控制
机器学习
2024-06-10 v1 系统与控制
系统与控制
摘要
本研究提出了一种新颖的闭模热锻微观结构控制方法，该方法将模型预测控制（MPC）与开发的机器学习模型DeepForge相结合。DeepForge采用结合一维卷积神经网络和门控循环单元的架构。它利用工件表面温度测量值作为输入，预测锻造过程中的微观结构变化。本文还详细介绍了DeepForge的架构以及用于生成数据集的有限元仿真模型，采用三行程锻造过程。结果表明，DeepForge能够以0.4±0.3%的平均绝对误差预测微观结构。此外，本研究探索了使用MPC调整行程间等待时间，有效抵消温度干扰，以在工件的特定二维区域内实现小于35微米的目标晶粒尺寸。这些结果随后通过实验验证，表明在锻造过程中，温度可作为额外的自由度，从而在改进控制和质量方面迈出了重要一步。
引用
@article{arxiv.2402.16119,
title = {DeepForge: Leveraging AI for Microstructural Control in Metal Forming via Model Predictive Control},
author = {Jan Petrik and Markus Bambach},
journal= {arXiv preprint arXiv:2402.16119},
year = {2024}
}