基于融合的神经网络泛化，用于预测工业 PET 预制件加热中的温度场
机器学习
2025-10-08 v1 人工智能
摘要
准确且高效的温度预测对于优化 PET 预制件在工业微波系统中进行 blow molding 前的预热过程至关重要。我们提出了一种新颖的深度学习框架，用于泛化温度预测。不同于需要针对每种材料或设计变体进行大量再训练的传统模型，我们的方法引入了一种数据高效的神经网络架构，利用迁移学习和模型融合实现跨未见情景的泛化。通过在不同的条件下(如回收 PET 热容或 varying preform 几何形状)对特定的神经回归器进行预训练，并将它们的表示整合到统一的全局模型中，我们创建了一个能够在异构输入上学习共享热力学行为的系统。该架构包含 skip 连接，以增强稳定性和预测精度。我们的做法减少了大规模仿真数据集的需求，同时实现了优于从头训练的模型的优异性能。针对两种案例研究(材料可变性和几何多样性)的实验验证表明，泛化性显著提升，为制造环境中的智能热控制建立了一个可扩展的基于机器学习的解决方案。此外，该方法凸显了数据高效泛化策略如何扩展到涉及有限数据且具有复杂物理建模的其他工业应用。
引用
@article{arxiv.2510.05394,
title = {Fusion-Based Neural Generalization for Predicting Temperature Fields in Industrial PET Preform Heating},
author = {Ahmad Alsheikh and Andreas Fischer},
journal= {arXiv preprint arXiv:2510.05394},
year = {2025}
}
备注
Workshop paper, AIP2025: Second Workshop on AI in Production (2025). Licensed under CC BY 4.0