Prediksi Deformasi Pemesinan Multi-Titik Menggunakan Pembelajaran Transfer Adaptif yang Dipandu Informasi Fisika

Abstract

Deformasi yang diinduksi pemesinan pada komponen dinding tipis dan bilah turbin tetap menjadi tantangan kritis dalam manufaktur presisi, terutama karena keterbatasan model mekanistik murni dan pendekatan data-driven yang hanya mengandalkan data. Penelitian ini mengkaji pendekatan hybrid yang mengintegrasikan informasi fisika dengan pembelajaran transfer adaptif untuk prediksi deformasi pemesinan multi-titik. Berdasarkan tinjauan terhadap perkembangan terkini, penelitian ini mengidentifikasi bahwa metode yang menggabungkan sinyal disentanglement berbasis fisika melalui modul Auto-MultiDeF, strategi pre-training multi-channel masked joint reconstruction dengan LoRA, serta mekanisme kompensasi kesalahan posterior terbukti mampu mengatasi keterbatasan data dan meningkatkan generalisasi model . Integrasi prior knowledge fisika ke dalam model deep learning juga telah menunjukkan peningkatan akurasi dan interpretabilitas yang signifikan, dengan eksperimen yang memvalidasi superioritas model yang diusulkan melalui studi komparatif dan ablasi . Temuan ini menyimpulkan bahwa pendekatan pembelajaran transfer adaptif yang dipandu informasi fisika menawarkan solusi yang menjanjikan untuk prediksi deformasi pemesinan multi-titik yang akurat dan dapat diandalkan dalam skenario pemesinan yang kompleks