.png){kind=icon}
返回
Uncertainty-aware model-enhanced soft actor-critic for conformal coating parameter optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s00170-026-19082-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷曲涂层优化需要控制多个应用参数以实现目标厚度和覆盖均匀性，其中喷雾雾化设置（雾化阀控制）在液滴形成和材料沉积中起着关键作用。传统手动调校不仅成功率低，还通过试错浪费大量材料。我们引入了模型增强软演员-评论家（ME-SAC）方法，这是一种结合混合动力学模型与不确定性感知规划的强化学习算法。我们的动力学模型整合了多项式岭回归与残差神经网络集成，在实验数据集上进行5折交叉验证时达到R²=0.70。与依赖合成数据训练的传统基于模型的强化学习不同，ME-SAC利用学习到的动力学模型进行不确定性感知候选动作评估，无需生成额外的合成回放以扩充回放缓冲区。强化学习代理通过与由158次物理涂层实验构建的代理涂层环境交互进行训练和评估。规划模块采用保守目标函数评估候选动作，对高不确定性预测进行惩罚，确保安全探索。实验结果表明，ME-SAC的优化成功率高达95.0%，相比无模型SAC基线算法的74.0%，在约600次代理环境交互中即可达到90%的性能，而基线算法需要超过1600次交互仍未达到此阈值（样本效率提升2.67倍以上）。在评估的训练运行中，ME-SAC保持了性能稳定性，未出现基线算法在中期训练中常见的性能退化现象。
Keyword:
Conformal coating
Manufacturing parameter optimization
Reinforcement learning
Sample efficiency
Soft actor-critic
Uncertainty quantification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.1
论文数:
2.0K
被引数:
6.4W
机构
引用论文
Optimal data-driven control of manufacturing processes using reinforcement learning: an application to wire arc additive manufacturing使用强化学习对制造过程进行最佳数据驱动控制: 在电弧增材制造中的应用
OAAI
OAAI分享收藏Challenges of real-world reinforcement learning: definitions, benchmarks and analysis现实世界强化学习的挑战: 定义、基准和分析.png)
MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏V.S. Devarakonda, W. Sun, X. Tang, and Y. Tian, ‘Recent advances in reinforcement learning for chemical process control’, Processes, vol. 13, no. 6, p. 1791, 2025, doi: 10.3390/pr13061791.V.S. Devarakonda, W. Sun, X. Tang, and Y. Tian, 《强化学习在化工过程控制中的最新进展》, Processes, 卷13, 期6, 页1791, 2025, doi: 10.3390/pr13061791.
IF0
PREAI
分享收藏 没有更多内容
没有更多内容