基于零样本学习的多场耦合水射流切割深度预测

《Technologies》:Prediction of Waterjet Cutting Depth Under Multi-Field Coupling Based on Zero-Shot Learning

【字体: 大 中 小 】 时间:2026年08月28日 来源:Technologies 5.2

编辑推荐:

  矿山巷道坍塌事故频繁发生,灾后应急救援在安全性和效率方面面临重大挑战。因此,迫切需要高效的破拆设备和智能预测方法。磨料水射流技术因其高效率、环境友好和冷切割特性,在复杂灾害环境中具有相当大的应用潜力。然而,其切割性能受到射流参数、材料特性和环境条件等多重耦合因

  
矿山巷道坍塌事故频繁发生,灾后应急救援在安全性和效率方面面临重大挑战。因此,迫切需要高效的破拆设备和智能预测方法。磨料水射流技术因其高效率、环境友好和冷切割特性,在复杂灾害环境中具有相当大的应用潜力。然而,其切割性能受到射流参数、材料特性和环境条件等多重耦合因素的影响,这使得准确预测变得困难,尤其是在样本有限的极端或未见工况下。针对这一问题,本研究提出了一种基于零样本学习的“射流–材料–环境–效应”多物理场耦合预测框架,旨在预测未见工况下的磨料水射流切割性能。首先,通过分层实验设计构建多因素切割性能数据集;然后引入生成对抗网络(GAN)扩展样本空间,弥补实验数据离散且分布覆盖有限的问题。其次,采用轻量级自注意力机制对高维输入特征进行全局建模,提高模型捕获复杂特征交互的能力。最后,设计联合损失函数协同优化生成和预测过程。实验结果表明,所提模型在测试集上的预测精度达到98.3%,决定系数R2为0.967,优于WOA-SVM、BP神经网络、EML和Transformer模型。推理响应时间约为3.2 s,具有良好的工程适用性。结果表明,GAN有效扩展了样本空间并提高了模型泛化能力,而LightTransformer结构在高维耦合输入建模方面具有优势。所提方法可为矿山灾害条件下的智能破拆救援和切割深度预测提供理论支持和技术参考。
矿山巷道坍塌事故频发,灾后应急救援在安全性和效率上面临严峻挑战。中国作为全球最大的煤炭生产国,2023年原煤产量达47.1亿吨,占全球总产量的51.8%,煤炭在能源结构中占据主导地位。随着开采深度增加,井下地质条件日益复杂,顶板坍塌等事故严重威胁生命财产安全。磨料水射流切割技术凭借其高效率、环境友好及冷切割特性,在矿山应急破拆中具有应用潜力。然而,切割性能受到射流参数、材料特性和环境因素等多重耦合作用的影响,尤其在极端或未见工况下,可获得的样本有限,导致切割深度难以精确预测,限制了该技术在救援现场的实际应用。因此,亟需建立一种能够实现跨条件、跨材料预测的智能模型。

针对上述问题,研究人员提出了一种基于零样本学习的“射流–材料–环境–效应”多物理场耦合预测框架。该框架结合生成对抗网络(GAN)与轻量级自注意力机制(LightTransformer),通过分层实验设计获取数据,使用GAN扩展样本空间,并利用LightTransformer对高维特征进行全局建模,实现了对训练集中未出现的材料及工况组合下切割深度的回归预测。实验结果表明,所提模型在测试集上的预测精度达98.3%,决定系数R2为0.967,优于WOA-SVM、BP神经网络、集成学习模型(EML)和Transformer,推理时间约3.2 s,具有良好工程适用性。该研究为矿山灾害条件下的智能破拆救援和切割深度预测提供了理论支持与技术参考,论文发表于《Technologies》。

研究人员采用分层实验设计获取多因素切割性能数据。第一阶段基于Taguchi L25正交表,在工字钢、锚杆、锚索、煤岩、大理石、石灰岩、砂岩和花岗岩等八种材料上开展切割实验;第二阶段模拟跨材料切割、长距离切割和弱约束切割三种救援工况。实验共获得230条实测样本,并利用GAN生成1170条虚拟样本,合并构成1400条训练集;验证集200条和测试集400条全部来自现场实测,其中包含白云岩、泥岩、页岩、板岩、玄武岩等未见岩石。预测核心采用LightTransformer,输入17维参数,每个变量映射为64维嵌入,通过多头自注意力建模特征交互,并设计联合损失函数协同优化生成与预测过程。模型在配备两块NVIDIA Tesla A100 GPU的工作站上训练。

4.1 数据集
通过分层实验构建了包含2000条记录的数据集。训练集由230条实验室数据和1170条GAN生成数据组成,验证集和测试集分别包含200条和400条现场数据。测试集中有229条记录来自训练中未出现的岩石类型,且所有现场记录的参数组合均与训练记录不同,从而实现了严格的零样本评估。

4.2 实验设置
研究人员在PyTorch 1.13.1框架下分阶段训练GAN和LightTransformer。GAN采用Adam优化器,学习率1×10-4;LightTransformer采用学习率1×10-3,批大小32,训练300轮,并采用早停和dropout防止过拟合。评价指标包括平均绝对误差(MAE)、均方误差(MSE)、决定系数(R2)和平均绝对百分比误差(MAPE)。

4.3 对比实验
在相同训练样本量和数据划分条件下,将GAN-LightTransformer与WOA-SVM、BP神经网络、EML、Transformer和LightTransformer对比。结果显示,GAN-LightTransformer的R2为0.967,比LightTransformer提高7.09%,比Transformer提高4.3%,比EML提高8.5%,比WOA-SVM和BP神经网络分别提高20.6%和14.4%;MSE为0.078 mm2,比Transformer降低34.5%,比WOA-SVM降低75%。这表明GAN数据增强和轻量级自注意力机制在高维耦合输入建模中具有显著优势。

4.4 实验结果与讨论
误差直方图显示,模型在测试集上的残差主要集中于±1.5 mm,误差分布稳定。预测值与真实值的相关性分析中,拟合曲线的R2达到0.967。损失曲线表明模型约在150轮内收敛,联合损失保持在0.08左右。进一步分析MAE随切割压力、横移速度和靶距的变化,发现在高压力、低横移速度和大靶距等稀疏工况区域,GAN-LightTransformer的误差增幅小于LightTransformer,说明GAN增强提高了模型对极端工况的鲁棒性。消融实验表明,从完整Transformer去除FFN后推理时间由4.5 s降至3.6 s,进一步简化为LightTransformer后仅为2.6 s;GAN-LightTransformer的推理时间集中为3.2±0.5 s,兼顾了精度与速度。

讨论部分总结指出,GAN生成样本有效缓解了实验数据离散性,提高了输入空间的覆盖度,而LightTransformer在保持全局依赖建模能力的同时大幅降低了计算复杂度,使模型能够在复杂现场条件下快速、准确地预测切割深度。研究结论可归纳为:第一,建立了从实验室到现场的分层数据集,表征了射流参数、材料类别、靶距和约束状态之间的相互作用;第二,仅对训练集进行GAN增强,验证集和测试集完全使用现场数据,保证了评估的独立性;第三,所提出的GAN-LightTransformer在现场测试集上取得了MAE为0.224 mm、MSE为0.078 mm2、MAPE为1.68%、R2为0.967的性能,平均推理时间约3.2 s;第四,该模型可视为基于零样本学习的预测与决策支持工具,能够对训练集中未出现的材料和工况组合进行切割深度估计,展现出良好的泛化能力。未来工作将针对钢支架切割、非均质煤岩穿透、长靶距钻孔切割及弱约束坍塌体等具体任务,融合压力、声学、振动、视觉和深度等多模态信号,发展不确定性感知的决策支持系统
相关新闻
生物通微信公众号
微信
新浪微博

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