基于规则的神经代理模型用于H型钢制造中的实时有限元法预测

《JOURNAL OF INTELLIGENT MANUFACTURING》:Rule-Based neural surrogate for real-time FEM prediction in H-Beam manufacturing

【字体: 大 中 小 】 时间:2026年03月25日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7

编辑推荐:

  本文提出了一种代理建模框架,用于预测点级几何和热特性,为传统有限元法(Finite Element Method, FEM)模拟提供计算高效的替代方案。为证明所提框架的有效性,研究人员采用了三种神经网络方法:(1)传统的残差多层感知器(Residual Mul

  
本文提出了一种代理建模框架,用于预测点级几何和热特性,为传统有限元法(Finite Element Method, FEM)模拟提供计算高效的替代方案。为证明所提框架的有效性,研究人员采用了三种神经网络方法:(1)传统的残差多层感知器(Residual Multilayer Perceptron, Residual MLP);(2)增强了几何领域知识(如点到铸件边界的距离)的特征工程残差多层感知器(Feature-Engineered Residual MLP);以及(3)一种名为深度可控规则学习与联合可行性和选择性(Deep Controllable Rule Learning with Joint Feasibility and Selectivity, DeepCTRL-JFS)的新模型。DeepCTRL-JFS通过将隐式过程规则解释为多个响应变量上的联合可行区域,并通过选择性惩罚应用软引导预测向符合规则的输出,从而扩展了原始DeepCTRL框架。比较评估证实,显式嵌入几何知识——通过丰富的输入特征或架构约束——能显著提升整体模型性能。本研究的主要贡献在于证明,通过特征工程或基于规则的神经网络架构将特定领域过程知识纳入代理模型,能显著提高预测精度和泛化能力。因此,所提出的方法可通过提供快速准确的代理预测来加速数值模拟,并可通过有效整合领域特定知识进入学习框架来支持制造过程优化。
**论文解读:基于规则的神经代理模型在H型钢制造实时有限元法预测中的应用**

**研究背景、问题与动机**
H型钢(H-Beam)因其结构简单、重量轻、安装高效,广泛应用于建筑、桥梁、港口和地基等工程领域。其制造过程包括炼铁、炼钢和轧制,其中轧制环节通过辊压将加热的钢坯(bloom)成型为H型截面,是控制半成品几何形状的关键步骤。传统上,有限元法(Finite Element Method, FEM)被用于模拟轧制过程中的物理现象,以优化辊型、道次计划等工艺参数。然而,FEM模拟计算耗时巨大——单个完整模拟案例在约18,000节点的网格分辨率下平均需时9小时,且反复迭代(通常20次以上)使高效探索工艺条件空间变得不切实际。现有研究虽致力于提高FEM计算效率,但仍存在显著时间消耗,制约了成本与质量的优化。因此,需要一种更快速的替代方法来补充FEM模拟结果,实现实时预测。此外,现有代理建模研究多集中于预测整体输出(如轧制力),缺乏对FEM网格节点级几何与热特性的精细预测,且未充分整合领域特定的过程规则(如几何约束)。针对上述问题,本研究旨在开发一种点级(point-level)预测的代理框架,通过显式嵌入领域知识,在保证预测精度的同时显著加速数值模拟。

**研究内容、结论与意义**
研究人员提出了一个代理建模框架,用于预测H型钢轧制后节点级的变形(沿x轴和y轴的截面位移)及温度变化。该框架采用三种神经网络架构进行对比:(1)基线残差多层感知器(Residual MLP);(2)特征工程残差MLP,通过计算点到铸件边界的最短方向向量作为额外输入特征;以及(3)深度可控规则学习与联合可行性和选择性(DeepCTRL-JFS)模型,该模型在损失函数中引入基于多边形可行区域的几何惩罚,软性引导预测符合规则约束。数据来源于250次FEM模拟(175次万能粗轧(Universal Roughing, UR)和75次立辊轧制(Edger)),总计4,978,583个数据点,使用商业软件FORGE NxT 4.X生成,输入特征包括过程参数(辊径、间隙等)和网格点坐标。通过5折交叉验证评估,结果表明DeepCTRL-JFS在所有目标变量(x、y、温度)上均取得最优性能(UR过程平均R2=0.9923,MSE=46.85;Edger过程平均R2=0.9949,MSE=40.70),特征工程模型次之,显著优于基线模型。该研究证实,通过特征工程或基于规则的架构将领域知识嵌入代理模型,能大幅提升预测精度与泛化能力;DeepCTRL-JFS的规则级损失惩罚在保证几何可行性的同时,提供了更快的收敛速度和稳定的泛化性能。论文发表于《JOURNAL OF INTELLIGENT MANUFACTURING》。

**主要关键技术方法概述**
本研究采用三种神经网络架构:基线残差多层感知器(Residual MLP)含跳跃连接、ReLU激活和dropout;特征工程残差MLP在输入层加入几何方向向量(点到铸件边界的最短欧氏距离);DeepCTRL-JFS模型将隐式过程规则解释为输出空间的联合可行区域(多边形),通过选择性惩罚(违反时施加平方欧氏距离损失)引导预测,采用双编码器(规则编码器与任务编码器)和Beta分布随机采样混合系数β。训练配置包括Adam优化器(学习率0.001)、5折交叉验证、早停法及学习率衰减。数据来自250个FEM模拟案例(UR 175例,Edger 75例),预处理包括Min-Max归一化、下采样及7:3随机分割。

**研究结果**
(1)Performance comparison on test dataset
通过测试集均方误差(Mean Squared Error, MSE)和R2指标比较,DeepCTRL-JFS在所有目标变量上表现最佳,特征工程MLP次之,基线MLP最差。例如,Edger过程DeepCTRL-JFS平均R2达0.9949,MSE为40.70,而基线MLP平均MSE为283.68(UR过程)。这表明规则级约束的损失函数比输入级特征工程更有效。

(2)Validation loss and convergence behavior
5折交叉验证的验证损失曲线显示,DeepCTRL-JFS从第一个epoch起即保持低损失,快速收敛且波动小;特征工程MLP收敛速度次之;基线MLP需更多epoch达到稳定。这表明领域知识(尤其规则架构)提升了训练稳定性。

(3)Visualization of feasible regions
通过Edger过程代表性案例(Case 142)的可视化,DeepCTRL-JFS预测的截面轮廓几乎完全位于多边形可行区域内,而基线模型频繁越界。热力图显示DeepCTRL-JFS的位置误差更集中在可行区域内部,证实了其对几何约束的有效遵循。

(4)Trade-off between accuracy and physical validity
在规则与任务目标冲突的案例(Case 24)中,基线模型因学习到违反几何规则的带噪标签而数值误差低(3.9 mm)但频繁越界;特征工程模型部分改善;DeepCTRL-JFS优先满足几何可行性,数值误差略增(4.0 mm),但物理一致性显著提高。这说明规则感知建模在数据质量不佳时能避免过拟合于不合理标签。

(5)Effect of β on DeepCTRL-JFS performance
β控制规则损失与任务损失的权重。UR过程最优β=0.35,Edger过程最优β=0.65,中间值下R2最高。温度预测对β不敏感,而位置预测(x,y)对β敏感。这验证了平衡规则与任务的重要性,且模型允许后训练调整β无需重新训练。

(6)Computational efficiency and scalability
推理时间对比显示,神经网络前向传播(<1 ms)比FEM模拟(9小时)快数个数量级。DeepCTRL-JFS采用多边形缓存(PolygonCache)策略,避免了重复构建可行区域,使每批处理时间显著降低(批大小1024时降低约60%),内存开销仅小幅增加。

**总结讨论部分与结论翻译**
讨论部分指出当前研究的局限性:模型基于2D截面点云,未考虑3D体积变形与拓扑连接;UR和Edger过程独立处理,未建模多道次历史依赖;几何规则定义对复杂形状敏感,且未编码热力学或力学方程;训练数据限于有限参数范围,外推泛化性未充分验证。未来方向包括扩展至3D网格(如图神经网络(Graph Neural Networks, GNNs))、连续多道次建模、引入物理信息神经网络(Physics-Informed Neural Networks, PINNs)及代理模型与优化算法集成。

结论部分翻译如下:本研究回答的核心问题是如何将过程规则纳入制造过程的代理模型,特别聚焦于H型钢轧制过程。为此,研究人员首先检验了基线代理模型能否仅依靠编码辊几何和点空间信息的输入特征实现可靠预测,使模型从数据中隐式推断可行配置。在此基础上,研究了两种替代策略:通过特征工程引入朴素惩罚,以及通过DeepCTRL-JFS在损失层级上执行规则惩罚。比较结果显示,DeepCTRL-JFS整体表现最优,特征工程模型次之,凸显了损失层级规则执行优于输入层级惩罚。关键发现是显式规则执行的效果取决于任务目标与规则之间的关系:当规则满足与预测精度可协同实现时,DeepCTRL-JFS在保持精度同时产生物理有效预测;但在噪声条件下,满足规则可能与任务冲突,导致数值精度下降而规则遵从提升。这表明规则感知代理建模并非普遍优势,而是取决于数据质量与任务-规则兼容性。总体而言,有效代理建模需要谨慎考量过程规则与预测任务是否可同时优化,输入数据过滤和规则-任务兼容性评估是成功整合过程规则的关键前提。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号