Ольга Павловна Тулупова — кандидат технических наук, доцент кафедры ИТ факультета информационных технологий и анализа больших данных
Москва
Olga P. Tulupova — Cand. Sci. (Tech.), Assoc. Prof. of Artificial Intelligence Department of the Faculty of Information Technology and Big Data Analysis
Moscow
Галина Николаевна Жолобова — кандидат технических наук, доцент кафедры ИТ, заместитель заведующего кафедрой информационных технологий по учебной работе факультета информационных технологий и анализа больших данных
Москва
Galina N. Zholobova — Cand. Sci. (Tech.), Assoc. Prof., Deputy Head of Artificial Intelligence Department for Academic Affairs of the Faculty of Information Technology and Big Data Analysis
Moscow
Для создания сложных бесшовных деталей в аэрокосмической промышленности, автомобилестроении и медицине перспективной технологией является сверхпластическая формовка. Однако применение технологии ограничено высокой стоимостью и длительностью технологического процесса. Применение конечно-элементного моделирования в CAEсистемах типа ANSYS дает точный результат, но вычислительно затратное, потому возникает потребность в быстрых и точных моделях прогнозирования, способных заменить или дополнить данный метод в задачах многокритериального анализа. Несмотря на растущее применение машинного обучения в различных областях, построение надежных моделей прогнозирования для конкретных геометрических характеристик деталей, полученных в результате сверхпластической формовки, остается малоизученным. Целью данного исследования является разработка и верификация модели прогнозирования на основе гауссовского процесса для предсказания ключевых геометрических параметров полусферы, получаемой в процессе сверхпластической формовки. Дополнительная задача состояла в создании исходного набора данных на основе результатов численного моделирования. Для формирования исходного набора данных использовался метод выборки латинского гиперкуба, позволивший эффективно варьировать параметры материала K, m и режим давления в типичных для алюминиевых сплавов диапазонах. С помощью 50 симуляций была разработана модель прогнозирования геометрических характеристик полусферы, основанная на методе регрессии гауссовского процесса с использованием составного ядра. Для оптимизации параметров модели применялся метод RandomizedSearchCV. Разработанная модель регрессии гауссовского процесса показала высокую точность, продемонстрировав коэффициент детерминации R² > 0,90 на валидационной выборке для всех целевых переменных (толщина в полюсе купола, средняя высота, разность высот). Анализ значения среднеквадратичной ошибки подтвердил обобщающую способность и отсутствие переобучения. Проведенное исследование направлено на интеграцию модели в систему цифрового двойника для оптимизации технологических параметров в реальном времени. Главная проблема масштабирования — это создание данных для обучения, которое требует больших вычислительных ресурсов.
Superplastic forming is an advanced technology used in the aerospace and automotive industries, as well as in the medical sector, for fabricating complex seamless components. However, its application is limited by high costs and the extended duration of the process. While finite element analysis in CAE systems such as ANSYS provides accurate results, it is computationally expensive. While finite element analysis performed in CAE systems such as ANSYS provides high-fidelity results, its computational expense creates a need for fast and accurate predictive models capable of supplementing or replacing this approach in multi-criteria analysis tasks. Despite the increasing adoption of machine learning across various disciplines, the development of reliable predictive models for specific geometric characteristics of superplastically formed components remains an understudied research area. The purpose of this study is to develop and verify a Gaussian process based model for predicting key geometric parameters of a hemisphere during the superplastic forming. An additional objective was to create an initial dataset using data generated from numerical simulations. The Latin Hypercube Sampling method was employed to design the experiment and generate the initial dataset, enabling efficient variation of material parameters K, m and pressure regime within ranges typical for aluminum alloys. Based on data from 50 numerical simulations, a predictive model for the hemisphere’s geometric characteristics was developed with Gaussian Process Regression with a composite kernel. Model hyperparameter optimization was performed using RandomizedSearchCV. The developed Gaussian Process Regression model demonstrated high accuracy, achieving a coefficient of determination greater than 0.90 on the validation set for all target variables: thickness at the pole, average height, and height difference. Analysis of the Mean Squared Error confirmed the models generalization capability and absence of overfitting. This research is aimed at integrating the model into a digital twin system for real-time optimization of process parameters. The main challenge in scaling this approach is the computational cost associated with generating the required training data.
The authors declare that there are no conflicts of interest present.