➡️Как машинное обучение помогает управлять производством композитов в реальном времени?
Авторы представили обзор применения машинного обучения в автоматизированном производстве композитов, включая системы AFP/ATL, терморегулирование, выявление дефектов и управление технологическим процессом.
В работе рассмотрены подходы на основе обучения с подкреплением, ML-модели для лазерной обработки, физически-информированные цифровые двойники, термооптическое моделирование на уровне волокон и методы распознавания дефектов по облакам точек. На этой основе предложена единая мультимодальная архитектура, объединяющая тепловое суррогатное моделирование, 3D-сегментацию геометрических дефектов и замкнутое управление процессом. Такая система может одновременно анализировать температурные ряды, данные сканирования и параметры производства, формируя показатели качества и управляющие действия в реальном времени. Подход рассматривается как основа для следующего поколения интеллектуальных AFP/ATL-систем с дефект-ориентированным управлением.
😔 НОЦ ФНС России и МГТУ им. Н.Э. Баумана, #СМ12
😔 Discover Applied Sciences | Топ 35% по SNIP
😔 doi.org/10.1007/s42452-026-08323-8
📚 Для цитирования:
Malashin I.P., Martysyuk D., Nelyub V., Borodulin A., Gantimurov A., Tynchenko V. A review of multimodal surrogate machine learning models for real-time control and defect mitigation in automated composite manufacturing. Discover Applied Sciences 2026;8:421.
https://doi.org/10.1007/s42452-026-08323-8
#automated_composite_manufacturing #machine_learning #digital_twin #defect_detection #thermal_process_control #surrogate_modeling #process_control
Научные публикации | Бауманка
Мы в MAX