研究人员开发了一个新框架，以提高数字孪生（物理系统的虚拟模型）的可靠性。该框架解决了“概念漂移”问题，即随着现实世界条件的变化，虚拟模型的准确性会随时间下降。它集成了新颖的漂移检测系统、使用低秩自适应（LoRA）的高效参数高效持续学习以及统计验证，以确保更新能提高预测性能。该框架在随机线性系统和增材制造过程中进行了测试，成功地维持了基于神经网络的数字孪生的准确性和不确定性量化。 AI
影响 增强了工业应用中由人工智能驱动的数字孪生的运行寿命和可信度。
排序理由 这是一篇详细介绍数字孪生新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Additive Manufacturing
- artificial neural network
- digital twin
- Fisher score and Matthews correlation coefficient-based feature subset selection for heart disease diagnosis using support vector machines
- Low Rank Adaptation
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
