Исследователи представили SimPhysNet — алгоритм на базе самообучающихся физически-информированных нейронных сетей (PINN) для прогнозирования глубины проплавления при лазерной сварке. Модель позволяет с высокой точностью классифицировать состояние шва в режиме реального времени, что критически важно для предотвращения дефектов в промышленном производстве и обеспечения целостности соединений без необходимости проведения разрушающего контроля.
Традиционные методы мониторинга качества сварки часто требуют сложной настройки датчиков или больших объемов размеченных данных, которые трудно получить в производственных условиях. Использование физически-информированных нейронных сетей (PINN) позволяет интегрировать фундаментальные законы физики процесса сварки непосредственно в архитектуру модели. Это значительно повышает надежность прогнозов даже при ограниченном количестве экспериментальных данных, так как нейросеть обучается не только на статистических закономерностях, но и на физических ограничениях процесса.
Применение такого подхода в промышленной автоматизации позволяет перейти от реактивного контроля качества к предиктивному. Интеграция SimPhysNet в системы управления лазерными установками дает возможность корректировать параметры сварки «на лету», минимизируя процент брака и снижая затраты на проверку готовых изделий. Метод демонстрирует эффективность в задачах, где точность проплавления является определяющим фактором долговечности конструкций.
Ключевые факты
- SimPhysNet использует архитектуру физически-информированных нейронных сетей (PINN) для анализа процессов лазерной сварки.
- Алгоритм базируется на методах самообучения, что снижает зависимость от больших объемов размеченных данных.
- Основная задача модели — классификация состояния полного проплавления шва для предотвращения дефектов.
- Метод направлен на повышение точности контроля качества в автоматизированных производственных линиях.