面向先进复合材料工艺模拟的理论引导机器学习
机器学习
2021-03-31 v1
摘要
基于科学的模拟工具（如有限元（FE）模型）在科学和工程应用中被常规使用。尽管它们的成功强烈依赖于我们对潜在控制物理定律的理解，但它们存在固有的局限性，包括保真度/精度与速度之间的权衡。近期机器学习的兴起提出了一种与理论无关的范式。然而，在复杂多物理场问题中，创建足够大的数据集以成功训练ML模型已被证明具有挑战性。弥合这些方法之间的鸿沟并发挥其各自优势的一个有前景的策略是理论引导机器学习（TGML），其旨在将物理定律集成到ML算法中。本文展示了三个关于先进复合材料加工过程中热管理的案例研究，并使用FE、ML和TGML进行了探讨。提出了一种将日益复杂的物理逐步添加到TGML模型训练中的结构化方法。TGML相对于ML模型的优势体现在更准确的预测（尤其在训练区域之外）以及能够使用小数据集训练。TGML相对于FE的一个优势是速度显著提升，从而有可能开发实时反馈系统。文中介绍了近期一个TGML模型在评估航空航天复合材料零件可生产性方面的成功应用。
引用
@article{arxiv.2103.16010,
title = {Theory-Guided Machine Learning for Process Simulation of Advanced Composites},
author = {Navid Zobeiry and Anoush Poursartip},
journal= {arXiv preprint arXiv:2103.16010},
year = {2021}
}