等温化学气相渗透过程的概率物理集成神经可微建模
机器学习
2023-11-15 v1
摘要
化学气相渗透（CVI）是一种广泛采用的制造技术，用于生产碳-碳与碳-碳化硅复合材料。这些材料因其高强度和轻量化特性而在航空航天与汽车工业中备受重视。CVI 期间的致密化过程关键性地影响这些复合材料的最终性能、质量与一致性。由于实验时间长且优化空间大，通过实验优化 CVI 过程颇具挑战。为应对这些挑战，本工作采取以建模为中心的方法。由于等温 CVI 致密化过程的复杂性与有限实验数据，我们利用物理集成神经可微（PiNDiff）建模框架开发了数据驱动的预测模型。PiNDiff 方法内嵌了不确定性量化功能，增强了模型的可靠性与鲁棒性。通过涉及合成与真实制造数据的综合数值实验，所提方法展示了其在 CVI 过程致密化建模中的能力。本研究凸显了 PiNDiff 框架作为一种工具性手段的潜力，可推进我们对 CVI 制造过程的理解、仿真与优化，尤其在面临稀疏数据与底层物理描述不完整时。
引用
@article{arxiv.2311.07798,
title = {Probabilistic Physics-integrated Neural Differentiable Modeling for Isothermal Chemical Vapor Infiltration Process},
author = {Deepak Akhare and Zeping Chen and Richard Gulotty and Tengfei Luo and Jian-Xun Wang},
journal= {arXiv preprint arXiv:2311.07798},
year = {2023}
}