面向增材制造的数字孪生框架:时间序列工艺优化的机器学习与贝叶斯优化
原文中文,约200字,阅读约需1分钟。发表于: 。利用数字孪生框架在实时预测控制激光直接能量熔化 (DED) 过程参数以满足特定设计目标,通过 LSTM 机器学习建立代理模型预测 DED 零件的温度,在此基础上引入贝叶斯优化 (Bayesian Optimization) 进行时间序列过程优化 (Time Series Process Optimization),确定理想的激光功率轮廓以达到所需的力学性能。
本研究提出了一种基于预测性数字孪生的方法,用于土木工程结构的健康监测、维护和管理规划。通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测,并利用此信息用于动态决策框架中的维护和管理行动的优化规划。验证了该方法对健康感知数字孪生的动态决策能力。