面向小样本双层金属管弯曲回弹预测的物理逻辑增强网络
机器学习
2022-09-21 v1
摘要
双层金属管（BMT）在工程应用中起着极其关键的作用，通过旋转拉弯（RDB）可实现高精度弯曲加工，但产品会进一步回弹。由于BMT结构复杂且数据集获取成本高，现有基于机理研究与机器学习的方法无法满足回弹预测的工程要求。基于初步机理分析，提出一种物理逻辑增强网络（PE-NET）。该架构包括将BMT等效为单层管的ES-NET，以及利用充足单层管样本进行最终回弹预测的SP-NET。具体而言，第一阶段基于理论驱动预探索与数据驱动预训练分别构建ES-NET与SP-NET；第二阶段在物理逻辑下，由ES-NET与SP-NET组装PE-NET，并利用小样本BMT数据集与复合损失函数进行微调。所提方法的有效性与稳定性由有限元仿真数据集验证，实现了小样本BMT回弹角预测，并展示了该方法在可解释性与工程应用中的潜力。
引用
@article{arxiv.2209.09870,
title = {Physical Logic Enhanced Network for Small-Sample Bi-Layer Metallic Tubes Bending Springback Prediction},
author = {Chang Sun and Zili Wang and Shuyou Zhang and Le Wang and Jianrong Tan},
journal= {arXiv preprint arXiv:2209.09870},
year = {2022}
}