采用数值模拟与深度学习相结合的方法,以钢锭凝固过程中的缩孔疏松缺陷为研究对象,提出了一种基于Transformer神经网络与注意力机制的缩孔疏松预测模型。对8 t 9Cr3Mo钢锭凝固过程进行有限元数值模拟,获得节点温度、固相率等时序特征数...采用数值模拟与深度学习相结合的方法,以钢锭凝固过程中的缩孔疏松缺陷为研究对象,提出了一种基于Transformer神经网络与注意力机制的缩孔疏松预测模型。对8 t 9Cr3Mo钢锭凝固过程进行有限元数值模拟,获得节点温度、固相率等时序特征数据;将模拟数据作为输入,构建多头自注意力机制的Transformer回归模型,实现缩孔疏松预测;最后,通过分析模型注意力权重,揭示其对凝固过程不同阶段固相率等关键特征的关注规律。结果表明,该模型在预测缩孔疏松时能自动聚焦钢锭凝固后期阶段,与缩孔形成的物理机制一致,为识别缩孔敏感区提供了数据驱动的新视角。展开更多
文摘采用数值模拟与深度学习相结合的方法,以钢锭凝固过程中的缩孔疏松缺陷为研究对象,提出了一种基于Transformer神经网络与注意力机制的缩孔疏松预测模型。对8 t 9Cr3Mo钢锭凝固过程进行有限元数值模拟,获得节点温度、固相率等时序特征数据;将模拟数据作为输入,构建多头自注意力机制的Transformer回归模型,实现缩孔疏松预测;最后,通过分析模型注意力权重,揭示其对凝固过程不同阶段固相率等关键特征的关注规律。结果表明,该模型在预测缩孔疏松时能自动聚焦钢锭凝固后期阶段,与缩孔形成的物理机制一致,为识别缩孔敏感区提供了数据驱动的新视角。
