<html> <head><title>500 Internal Server Error</title></head> <bod xunaa 2025-05-16 09:44:07 编辑说 人工智能( Artificial Intelligence，AI )的进步为MAM过程提供了实现实时物理场映射或参数优化的机会，通过机器学习( Machine Learning，ML )和深度学习( Deep Learning，DL )可以 人工智能( Artificial Intelligence，AI )的进步为MAM过程提供了实现实时物理场映射或参数优化的机会，通过机器学习( Machine Learning，ML )和深度学习( Deep Learning，DL )可以拟合输入样本特征和相应输出之间的高度非线性关系。 近日北京化工大学段成红教授团队，创新性地将图神经网络( Graph Neural Networks，GNNs )和循环神经网络（Recurrent Neural Networks，RNNs)相结合，实现了对不同DED零件温度演化的快速预测。采用GPU并行计算技术加速热有限元分析，用于快速构建样本充足的模拟图数据集。通过将内存优化方法嵌入到GNN块中，以低于79.4 %的GPU内存占用成功训练了具有更多可训练参数的更深GNN模型，解决了更深GNN难以在大型图数据集上训练的难题，所开发的模型显著提高了DED过程温度分布的预测精度，并实现了对不同零件形状的稳健泛化能力。其次，采用半解析的温度求解方法对熔池进行智能调控，在强化学习( Reinforcement learning，RL )工作流中创建高效的DED环境，并基于PPO算法下图像所代表的环境状态训练CNN。基于熔池图像所表征的环境状态，实现了熔池深度的智能控制。采用定制的卷积神经网络( CNNs )模型，输出变化的激光功率，并与动态环境持续交互。结果表明，与传统的人工神经网络ANN相比，CNN在zigzag沉积工艺中获得的总奖励提高了9.7 %，平均熔池深度维持在0.80 mm，缓解了受控熔池深度的波动。本工作提高了数据驱动模型在预测不同DED零件上温度结果的空间和时间分辨率、准确性和计算效率，并为DED过程中的熔池控制制定了RL策略，为实现DED过程中实时甚至提前的温度预测及相应的反馈控制提供理论和技术支撑。 文章链接：https://doi.org/10.1016/j.addma.2024.104501 主要附图 图1 基于深度学习的温度场预测和熔池控制示意图。 图2 基于零件结构进行建模和零件网格划分，在GPU上进行传热有限元分析，提取节点信息，构建图形数据集用于训练数据驱动模型，实现不同零件DED过程中温度的快速预测。( T是时间步长, ν i是图结构中的一个节点) 图3 输入图样本和不同数据驱动模型的构建。 图4 基于强化学习策略实现DED过程中熔池深度的智能控制。 图6 不同数据驱动模型在大型图数据集上训练的内存占用和损失。测试损失的大小用数据点的大小来表示。 图7 "Grouped reversible GNN + Bidirectional GRU"和"DeeperGCN + Bidirectional GRU"在两个测试部件的温度预测任务上的性能对比。( a ) "Grouped reversible GNN + Bidirectional GRU"对两部分的预测温度结果及其偏差，( b ) " DeeperGCN + Bidirectional GRU"对两部分的预测温度结果及其偏差，( c )第1测试部件预测节点温度的动态演化，( d )第2测试部件预测节点温度的动态演化。 图8 zigzag情况下，CNN和ANN控制熔池深度的结果。( a )控制过程中的温度结果，( b )从ANN中探索的激光功率变化和产生的熔池深度，( c )从CNN中探索的激光功率变化和产生的熔池深度，( d )随着训练集的增加，zigzag打印工艺的总回报变化。 图9 在螺旋扫描策略下，CNN和ANN控制熔池深度的结果。( a )控制过程中的温度结果，( b )从ANN中探索的激光功率变化和产生的熔池深度，( c )从CNN中探索的激光功率变化和产生的熔池深度，( d )随着训练集的增加，螺旋策略打印工艺的总回报变化。 图10 本研究选取了不同形状的零件以及对应的沉积策略，其中18个零件作为训练数据集，其余2个零件作为测试数据集。 主要结论 1 )通过使用传热PDE的离散矩阵表示、JIT编译和并行计算技术，基于GPU的瞬态模拟，在保证精度的同时，将所选DED部件温度分析的时间消耗降低到7分钟以内，为极短时间内快速构建图数据集提供了支持。 2 )基于可逆连接和分组卷积，分组可逆GNNs模型不仅具有比DeeperGCN模型多3倍的可训练参数，而且只需要后者20.6 %的内存占用进行训练，解决了深度GNNs在大图数据集上难以训练的问题。当与双向GRU结合时，分组可逆GNNs模型与DeeperGCN相比，训练损失减少了20.7 %，测试损失减少了17.7 %，提高了预测不同DED部件温度分布的准确性和泛化能力。分组可逆GNNs模型可以从输入图中学习到更多与实际热相关的物理知识，从而支持对未来一段时间内温度演化的准确预测。 3 )基于半解析解的动态仿真环境能够在毫秒级的时间内对算法的行为进行反馈。与商业软件相比，计算效率提高了约316倍。利用来自动态环境的基于图像的状态和PPO算法，CNN成功地将zigzag沉积过程中的平均熔池深度控制到0.80 mm。与ANN代理相比，CNN代理的总奖励提高了9.7 %，缓解了控制熔池深度的波动。 4 )在更复杂的沉积路径下，对CNN模型的性能进行了额外的探索。与zigzag情况相比，在螺旋策略的情况下，CNN达到最优性能所需的训练次数减少了31.7 %。性能最好的ANN实现了74.4的总奖励，而性能最好的CNN代理实现了76.3的总奖励，结果提高了2.6 %。 段成红，女，教授，博士生导师，现任北京化工大学机电工程学院过程装备与控制工程系系主任。1986年获得北京化工大学学士学位，1999年获得北京化工大学硕士学位，2007年获得北京化工大学博士学位。段教授主要从事增材制造、激光制造及过程装备设计开发等领域的研究与教学工作，在金属增材制造控形控性研究、激光表面改性技术、激光焊接及传统与先进制造结合技术方面具有丰富的实践经验。担任国家压力容器分析设计标准编委、中国化工学会化工机械专业委员会委员、中国光学学会激光加工专业委员会委员、中国神华国际工程有限公司评审专家。 用户评论 清羽墨安 太厉害了! 提高效率真的很好 有16位网友表示赞同！ 花容月貌 深度学习能解决定向能量沉积的问题吗？好期待啊！ 有14位网友表示赞同！ 病房 对熔池智能控制的应用确实很吸引人，希望效果更出色 有8位网友表示赞同！ 落花忆梦 温度场快速预测，这也太酷了吧！ 有19位网友表示赞同！ 北朽暖栀 基于深度学习，应该是很有潜力的呀！ 有9位网友表示赞同！ 怪咖 定向能量沉积一直都是难点啊！ 这技术解决了我很多疑虑！ 有12位网友表示赞同！ 窒息 这个技术能提高生产效率吗？ 有10位网友表示赞同！ 抓不住i 期待详细的应用案例！ 有14位网友表示赞同！ 我怕疼别碰我伤口 熔池智能控制, 能实现自动化吗？ 有18位网友表示赞同！ 一生只盼一人 深度学习预测温度场，是不是比传统方法更快更高精度? 有14位网友表示赞同！ 此生一诺 很有创新性，希望能够真正推广到实际生产中 有11位网友表示赞同！ 终究会走- 定向能量沉积一直都是我感兴趣的研究方向！ 有6位网友表示赞同！ 几妆痕 这个技术能应用在哪些领域呢？ 有8位网友表示赞同！ 发型不乱一切好办 看了一下标题，感觉很厉害的样子！ 有20位网友表示赞同！ 陌上花 深度学习的应用越来越多，未来可期! 有6位网友表示赞同！ 信仰 希望能看到更详细的技术介绍哦! 有11位网友表示赞同！ 笑傲苍穹 温度场预测准确率很高吗? 有16位网友表示赞同！ 顶个蘑菇闯天下i 这个技术带来的效益怎么样？ 有20位网友表示赞同！ 清原 非常期待看到该技术的应用效果！ 有10位网友表示赞同！ 快速报名 学生姓名 意向学校 意向专业 联系方式 请输入正确的电话号码 或许你还想看： <html> <head><title>500 Internal Server Error</title></head> <bod <html> <head><title>500 Internal Server Error</title></head> <bod 播音语速太快如何改善，发音前练习提松打挺可让声音更规范 点赞 免责声明 本站所有收录的学校、专业及发布的图片、内容，均收集整理自互联网，仅用于信息展示，不作为择校或选择专业的建议，若有侵权请联系删除! 大家都在看 上一篇 <html> <head><title>500 Internal Server Error</title></head> <bod 下一篇 谈谈大专有没有用 大家都在看 <html> <head><title>500 Internal Server Error</title></head> <bod 人工智能( Artificial Intelligence，AI )的进步为MAM过程提供了实现实时物理场映射或参数优化的机会，通过机器学习( Machine Learning，ML )和深度学习( Deep Learning，DL )可以 艺考资讯 2025-05-16 <html> <head><title>500 Internal Server Error</title></head> <bod 南海，这片被阳光照耀得波光粼粼的海域，自古以来就是中国领土不可分割的一部分。然而，随着时代的变迁，南海的每一寸海水都似乎承载着更多的故事和争议。中国此次划下的线，无疑是对 艺考资讯 2025-05-16 播音语速太快如何改善，发音前练习提松打挺可让声音更规范 口腔控制：保持舌头灵活，发声前练提松打挺放松口腔，打开气息通道。吐字要求：吐字归音涉及到舌头的运动，发声时要加强舌前的中部训练，吐字时，舌要向前；字的音阶分为字头、字腹、字尾，发声时嘴唇要保持有力，字腹发声时，发声要圆润，然后字尾归音要收住不拖长。状态饱满：吐字过快的原因之一是发声时过于紧张，易导致 艺考资讯 2025-05-15 影视剧对戏的注意事项，要学会集中在对手演员上 集中注意力：在对戏时要集中注意力在对手演员上，因为演戏主要是与他人合作，想要入戏就先以角色演员的身份和对方对话。不可一昧关注台词：在对戏时，不要过度关注自己的台词是否好听，想要提升水平，就要互相交流。不可死记硬背台词：对戏时要自然的将台词说出来，才不会有违和感。 一、影视剧对戏的注意事项1 艺考资讯 2025-05-15 大学奖学金的类型有很多种，并不都是基于成绩。这五种奖学金中总有一种适合您。 不想拿奖学金的学生不是好学生，但对于大多数学生来说，不挂科就谢天谢地了，甚至不敢指望能拿到奖学金。其实，大学的奖学金并不像大家想象的那么难获得，而且有些奖学金的获奖条件非 艺考资讯 2025-05-15 宣传片的配音如何制作，可使用配音软件或让配音员录音 个人宣传片：宣传片配音可通过录制清晰的语音，并与视频素材同步，后期剪辑音频，并根据需要加入背景音乐或音效，增强宣传片的感染力。后期视频配音：宣传片配音通过短视频配音软件，输入文本并选择语音包，调整朗读语速后加入背景音乐，最后导入视频完成配音制作。专业配音老师配音：宣传片配音可通过配音平台选择老师，试 艺考资讯 2025-05-15 <html> <head><title>500 Internal Server Error</title></head> <bod （一）笔法 中国画在用笔方面的要求是很高很严格的，这些严格的要求就是所谓“笔法”。 唐代张颜远在《历代名画记》里提到“夫物象必在于形似，形似须全其骨气，骨气、形式皆本于 艺考资讯 2025-05-15 新人音频主播留住人气的方法，及时与粉丝互动并引导对方关注 开播前准备：开播前准备好素材，展示才艺或聊受欢迎话题，吸引观众互动。专注音频方向：新人应专注一个方向，避免频繁切换风格，确保粉丝有清晰印象。积极的状态：新人要保持积极状态，熟悉后自然放松，吸引观众停留直播间。粉丝留存技巧：及时回复粉丝互动和打赏，表达感谢，引导他们关注，通过赠送福利吸引路人，并延长观 艺考资讯 2025-05-15 两者都是广西最好的工科学校。桂林工业大学和桂林电子科技大学的优势是什么？ 1.桂林理工大学 桂林理工大学是一所以工科为主的多科性研究型大学。学校入选中西部高校基础能力建设工程、广西一流学科建设高校、教育部卓越工程师教育培养计划、国家高水 艺考资讯 2025-05-15 马克笔画漫画的步骤，需要先绘制一个草图 1、先用铅笔在纸上轻绘草图。2、如需勾线，可用圆珠笔或细头马克笔勾线。3、上色选浅色铺色，高光处要留白。4、铺色宜一笔画好，勿叠涂，防止颜色过重，再选稍深色，画阴影，塑造立体感。5、大面积上色后，再刻画眼睛、发丝、服饰等细节，便差不多完成。 一、马克笔画漫画的步骤1、首先我们需要用铅笔轻轻 艺考资讯 2025-05-15
