Швидкодіючі моделі штучного інтелекту для реального часу в цифрових двійниках процесів обробки металів тиском
DOI:
https://doi.org/10.37142/2076-2151/2025-1(54)141Ключові слова:
цифровий двійник; скінченно елементний метод; моделі штучного інтелекту реального часу; низьколатентний інференс; гібридні нейромережні архітектури Conv3D–LSTM; навчання з підкріпленням; адаптивне керування; пояснюваність штучного інтелекту; обробка металів тиском; оптимізація енергоспоживання.Анотація
Ковалевський С. В. Швидкодіючі моделі штучного інтелекту для реального часу в цифрових двійниках
процесів обробки металів тиском
У статті представлено комплексну методику створення цифрового двійника технологічних процесів обробки металів тиском, який поєднує класичне моделювання методом скінченних елементів і високошвидкісні моделі штучного інтелекту. Метою дослідження було забезпечити інференс із затримкою не більше ніж сто мілісекунд, прискорити повний цикл симуляцій утричі з натяком, але в реальності в понад п’ятдесят разів порівняно з традиційними FEM‑розрахунками, а також досягти прогнозної достовірності вище дев’яноста відсотків. Для цього було сформовано навчальний набір із понад дванадцяти тисяч скінченно‑елементних випадків з широкою варіацією геометричних, матеріальних та технологічних параметрів. На основі цих даних розроблено гібридну нейромережну архітектуру, яка чергує тривимірні згорткові шари й рекурентні LSTM‑блоки, що дозволило відтворювати складні поля напружень і переміщень за допомогою воксельних тензорів. Адаптивне керування реалізоване через агент навчання з підкріпленням, здатний у процесі роботи динамічно коригувати параметри преса з урахуванням багатокомпонентної винагороди, що враховує якість поверхні, енерговитрати та продуктивність. Валідація системи на незалежних наборах даних показала високу стабільність: середня абсолютна помилка прогнозу не перевищує двох відсотків, а максимальна похибка залишається нижче восьми сотих частки одиниці. Крім того, модель витримує введення випадкового шуму до п’ятнадцяти відсотків без значної втрати точності. Енергозбереження в процесі штампування склало понад десять відсотків, а якість оброблених деталей підвищилася на п’ятнадцять відсотків порівняно з класичними режимами. Розроблена платформа відзначається масштабованістю завдяки модульній архітектурі й чітким інтерфейсам до MES та ERP, а також забезпечує прозорість роботи ШІ-модулів через візуалізацію ключових атрибутів вхідних даних. Реалізація технік переносу знань для вбудованих контролерів та оптимізація обчислювальних ресурсів залишаються пріоритетними напрямами подальших досліджень.
Посилання
Sahoo S., Lo C.-Y. Smart manufacturing powered by recent technological advancements. Journal of Manufacturing Systems. 2022. Vol. 64. P. 236–250. ISSN 0278-6125. DOI: https://doi.org/10.1016/j.jmsy.2022.06.008.
Petru C.-D., Crenganiș M., Breaz R.-E., Racz S.-G., Gîrjob C.-E., Drașovean P. Development of a digital twin for the ABB IRB 1200 robot in sheet metal forming processes. Procedia Computer Science. 2024. Vol. 242. P. 228–235. ISSN 1877-0509. DOI: https://doi.org/10.1016/j.procs.2024.08.253.
Ge Q., Li J., Lacasse S., Sun H., Liu Z. Data-augmented landslide displacement prediction using generative adversarial network. Journal of Rock Mechanics and Geotechnical Engineering. 2024. Vol. 16, № 10. P. 4017–4033. ISSN 1674-7755. DOI: https://doi.org/10.1016/j.jrmge.2024.01.003.
Li J., Tong Ch., Zhang R., Shi Zh., Lin J. A data-informed review of scientific and technological developments and future trends in hot stamping. International Journal of Lightweight Materials and Manufacture. 2024. Vol. 7, No. 2. P. 327–343. ISSN 2588-8404. DOI: https://doi.org/10.1016/j.ijlmm.2023.11.003.
Dong X., Zhang Ch., Liu Sh., Wang D. A simple and reliable semi-supervised anomaly detection network for detecting crack in stamped parts. Computers in Industry. 2025. Vol. 169. Article 104301. ISSN 0166-3615. DOI: https://doi.org/10.1016/j.compind.2025.104301
Fukatsu Y., Chen T.-T., Ogawa T., Sun F., Watanabe I., Ojima M., Ishikawa S., Adachi Y. Maximization of strength–ductility balance of dual-phase steels using generative adversarial networks and Bayesian optimization. Materials Today Communications. 2024. Vol. 41. Article № 110360. ISSN 2352-4928. DOI: https://doi.org/10.1016/j.mtcomm.2024.110360.
Wettewa S., Hou L., Zhang G. Graph Neural Networks for building and civil infrastructure operation and maintenance enhancement. Advanced Engineering Informatics. 2024. Vol. 62, Part D. Article 102868. ISSN 1474-0346. DOI: https://doi.org/10.1016/j.aei.2024.102868.
Nursyiva Irsalinda, Bakar M. A., Harun F. N., Surono S., Pratama D. A. A new hybrid approach for solving partial differential equations: Combining Physics-Informed Neural Networks with Cat-and-Mouse based Optimization. Results in Applied Mathematics. 2025. Vol. 25. Article 100539. ISSN 2590-0374. DOI: https://doi.org/10.1016/j.rinam.2025.100539.
Cao Y., Tian Z., Liu Z., Jia N., Liu X. Reducing overestimation with attentional multi-agent twin delayed deep deterministic policy gradient. Engineering Applications of Artificial Intelligence. 2025. Vol. 146. Article ID: 110352. ISSN 0952-1976. DOI: https://doi.org/10.1016/j.engappai.2025.110352.
Anbazhagan S., Mugelan R. K. Next-gen resource optimization in NB-IoT networks: Harnessing soft actor–critic reinforcement learning. Computer Networks. 2024. Vol. 252. Article № 110670. ISSN 1389-1286. DOI: https://doi.org/10.1016/j.comnet.2024.110670.
Kim S. H., Park J. S., Lee H. S., Yoo S. H., Oh K. J. Combining CNN and Grad-CAM for profitability and explainability of investment strategy: Application to the KOSPI 200 futures. Expert Systems with Applications. 2023. Vol. 225. Article ID: 120086. ISSN 0957-4174. DOI: https://doi.org/10.1016/j.eswa.2023.120086.
Hinton G., Vinyals O., Dean J. Distilling the knowledge in a neural network [Електронний ресурс]. Матеріали воркшопу “Deep Learning and Representation Learning” в рамках конференції Neural Information Processing Systems (NIPS). Монреаль, Канада, 2015. Режим доступу: https://arxiv.org/abs/1503.02531.
