面向可持续性的再生材料敏捷制造中的机器学习方法

在材料科学与制造中开发环境友好的可持续工艺十分重要。人工智能可在决策支持中发挥重要作用，我们此前的研究已表明这一点，并基于所提出的机器学习方法开发了相关工具。此类工具服务于计算估计与专家系统。本研究通过在采用再生与回收材料的敏捷制造中提供决策支持，解决材料科学中的环境可持续性问题。这是一种将特定废物流转化为增值产品的安全且负责任的方式。我们提出在人工智能中运用数据驱动方法，通过应用机器学习模型进行预测分析以指导制造中的决策支持。这包括利用人工神经网络研究影响材料热处理及其性能的参数；通过卷积神经网络等进展进行深度学习以探索晶粒尺寸检测；以及使用随机森林等其他分类器分析相分数检测。所有这些方法的结果均表明前景良好，可开展进一步工作，例如ANN在预测淬火回火（一种热处理工艺）的微观组织演变方面准确率约达90%。未来工作面临若干挑战：研究多种计算机视觉模型（VGG、ResNet等）以寻找适用于可持续工艺的最优准确率、效率与鲁棒性；利用机器学习创建领域专用工具以支持敏捷制造决策；以及采用纳入再生材料适当使用及所开发产品有效性的指标评估对可持续性的影响。我们的工作对智能制造的绿色技术产生影响，并受到材料科学人工智能这一引人关注领域相关工作的启发。