Технологии2026-05-15 · 1 мин

Интеграция AI и гибридных FEM-ML моделей для прогнозирования свойств материалов

Исследователи интегрируют искусственный интеллект (AI) с гибридными моделями конечных элементов (FEM) и машинного обучения (ML) для ускорения прогнозирования свойств материалов. Этот подход, включающий нейросети, информированные физикой (PINN), и управление процессами в реальном времени, направлен на решение вычислительных проблем традиционных методов FEM.

MachineLearningFEMDigitalTwinPINNOptimization

Интеграция AI и гибридных FEM-ML моделей для прогнозирования свойств материалов

Развитие Индустрии 4.0 стимулирует внедрение data-driven (управляемых данными) подходов в материаловедении и управлении процессами [cite: 16, 17]. Хотя данный кейс фокусируется на аддитивном производстве и полимерах, его математическая база напрямую применима к оборудованию нефтехимии, работающему в условиях высоких давлений и температур.

Задача

Классические методы конечных элементов (FEM) для термомеханического симулирования (например, расчет остаточных напряжений или усталостного разрушения аппарата) требуют огромных вычислительных мощностей. Необходимо ускорить этот процесс, объединив классическую физику с ИИ [cite: 16, 17].

Методология (Hybrid FE-ML / PINN)

Разработано два основных подхода:

Нейросети, информированные физикой (Physics-Informed Neural Networks - PINN): ML-модели действуют на уровне материальной точки, поставляя обновления конститутивных (структурных) свойств, в то время как глобальные уравнения равновесия решаются стандартными численными методами FEM [cite: 17]. Остаточные напряжения, полученные из термомеханической симуляции, вводятся в нейросеть как граничные условия [cite: 17].
Управление процессами в реальном времени: ML-модели анализируют данные сенсоров в режиме реального времени. Например, алгоритм может предсказать размер пены при экструзии на 5 минут вперед или с помощью конволюционной нейронной сети (CNN) и инфракрасных снимков предсказать предел прочности на разрыв создаваемого материала [cite: 16].

Валидация и ограничения

Основной проблемой внедрения гибридных схем является численная нестабильность. В нелинейных режимах даже небольшие неточности в предсказаниях ML могут привести к потере сходимости глобального решателя (loss of convergence) [cite: 17]. Тем не менее, высокопроизводительный скрининг (HTS) и добыча знаний (Rule mining) позволяют находить скрытые паттерны в огромных массивах экспериментальных данных, недоступные конвенциональным методам анализа [cite: 16].

Источник

[Источник](https://www.mdpi.com/2227-7080/14/4/218 и https://www.nmbgmbh.de/en/technologies/data-driven-materials-research)

Нейросети, информированные физикой (Physics-Informed Neural Networks - PINN): ML-модели действуют на уровне материальной точки, поставляя обновления конститутивных (структурных) свойств, в то время как глобальные уравнения равновесия решаются стандартными численными методами FEM [cite: 17]. Остаточные напряжения, полученные из термомеханической симуляции, вводятся в нейросеть как граничные условия [cite: 17].

Управление процессами в реальном времени: ML-модели анализируют данные сенсоров в режиме реального времени. Например, алгоритм может предсказать размер пены при экструзии на 5 минут вперед или с помощью конволюционной нейронной сети (CNN) и инфракрасных снимков предсказать предел прочности на разрыв создаваемого материала [cite: 16].

Валидация и ограничения

Интеграция AI и гибридных FEM-ML моделей для прогнозирования свойств материалов

Интеграция AI и гибридных FEM-ML моделей для прогнозирования свойств материалов

Задача

Методология (Hybrid FE-ML / PINN)

Валидация и ограничения

Источник

Теги

Интеграция AI и гибридных FEM-ML моделей для прогнозирования свойств материалов

Интеграция AI и гибридных FEM-ML моделей для прогнозирования свойств материалов

Задача

Методология (Hybrid FE-ML / PINN)

Валидация и ограничения

Источник

Теги