IMDEA材料研究所与马德里理工大学（UPM）近期发布的一项研究，在复合材料制造过程的实时仿真方面取得了重要进展。研究团队针对当前深度学习替代模型在液态复合材料成型过程流体流动仿真中的关键瓶颈提出解决方案，展示了数据驱动方法在提升先进制造效率、适应性和韧性方面的潜在价值。

这项研究题为《基于无结构三维网格的液态复合材料成型填充仿真的深度替代模型》，作者包括IMDEA材料研究所的Carlos González教授、Davide Mocerino博士、博士前研究员Sofia Fernández-León，以及马德里理工大学的Roberto Valle Fernández教授和Luis Baumela教授。论文发表在期刊《复合材料A部分：应用科学与制造》上。

液态复合材料成型（LCM）过程的仿真是优化制造工艺、减少空洞等缺陷的关键工具。然而，传统高保真仿真往往计算量巨大，难以满足实时应用需求，这在工业实践中长期构成限制。

本研究提出了一种基于深度学习的替代建模框架，能够在毫秒级时间内给出准确预测，从而显著降低计算成本。这一突破为数字孪生系统以及自适应过程控制在复合材料制造中的应用提供了现实可行的技术路径。

“本工作的核心创新在于突破了该领域的主要瓶颈之一：在保持高精度的同时，实现极高的计算效率，并对工业中常见的不规则无结构网格保持良好鲁棒性。”Fernández-León指出，“现有的神经网络方法很少能同时满足这几方面的要求。”

为应对复杂构型，研究人员设计了多分支编码器–解码器架构，将复杂几何（例如T型加强筋）拆分为多个平面区域进行建模，并在各区域接口处保持解的一致性，从而兼顾几何复杂度与预测精度。

与此同时，团队提出的网格映射技术，使卷积神经网络可以应用于无结构三维计算域。在不牺牲精度的前提下，这一方法显著扩展了模型在真实制造场景中的适用范围。正如Fernández-León补充说明的那样，这一技术是将标准深度学习工具引入复杂工程网格的关键环节。

研究结果表明，所构建的替代模型在预测结果上与高保真数值仿真及实验测量高度一致，同时在计算速度上相较传统方法实现了四到五个数量级的提升。

如此高的加速比使得该模型能够在数字制造环境中实现真正的实时部署，进而支持更高效、更具自适应能力且更具韧性的复合材料生产流程。

“这项工作展示了将先进制造技术与人工智能深度融合的巨大潜力，为构建完全集成的数据驱动生产系统奠定了基础。”Fernández-León在总结中表示。