德国宇航中心的科研人员正在研究使用混合数据模型进行机器学习的可能性。在这种情况下，混合意味着不同的数据来源：来自于对过程的事先了解和真实数据。德国宇航中心的科研人员设想，将先验知识整合到人工智能模型中可以减少对真实数据的渴求，从而打开其作为工业应用的大门。
纤维复合材料工艺链上的一个项目是围绕着固化过程展开的。在这里，由真空产生的均匀的表面压力对部件的良好质量至关重要。泄漏会导致固化不均匀，形成气穴和废品。因此，质量保证需要一个快速和可靠的泄漏检测系统。因此，研究人员开发了一个基于人工智能的原型，从真空积累的流量数据中计算出整个部件表面的泄漏概率。在这样做的过程中，他们还使用了关于组件上真空连接的目标对称布置的先验知识，以便因此实现更准确的预测。
另一个例子是考虑巩固过程中的材料变形。能够预测这一点对精确生产部件很重要。为此，研究人员开发了一个基于先前物理知识数据的人工智能模型：一个神经网络根据材料、工艺和部件参数，对固结后的预制件的回弹行为进行了预测。在另一个应用中，一个神经网络根据综合工艺知识和温度方案计算出热转换曲线，这构成了预测复杂部件固化程度的基础。
这里给出的例子表明，乘着人工智能的浪潮，数据科学和工程之间的跨学科合作可以进一步提高轻量化结构生产的经济效率。
图：一个人工智能模型计算泄漏概率，一旦超过阈值就会做出反应（红色：模型预测，黄色：实际泄漏位置）