Project R-15075

Gegevensefficiënt machinaal leren voor slim experimenteel ontwerp (Onderzoek)

In veel industrieën worden traditionele productieprocessen vervangen door nieuwe technologieën, bijvoorbeeld omdat producten aan steeds strengere milieu-eisen moeten voldoen. De parameters van deze nieuwe procédés kunnen een grote invloed hebben op de kenmerken van de geproduceerde producten (economisch, milieutechnisch, technisch, enz). De uitdaging is dus om procesinstellingen te detecteren die de beoogde prestaties op een kostenefficiënte manier optimaliseren. Adhesive bonding is een technologie die steeds relevanter wordt in omgevingen waar traditionele methoden (zoals lassen) niet langer levensvatbaar zijn. Het vereist een zorgvuldige parameterselectie via trial-and-error experimenten, waar de inzet van dure resources voor vereist is. Een sequentieel Design of Experiments (DoE) met behulp van machine learning kan deze optimalisatie stroomlijnen, waardoor zowel de data-efficiëntie als de oplossingskwaliteit toenemen. Dit project heeft tot doel de kloof te dichten tussen de ontwikkelde Bayesiaanse optimalisatiemethoden voor Design of Experiments (DoE) (zoals ontwikkeld in GC1, TAsk 4.4 en de JMLab PoC) en de noden van industriële bedrijven, zodat we een bredere variëteit aan use cases kunnen behandelen, en het Technology Readiness Level van de methoden kunnen verhogen van 3 naar 4.

01 mei 2024 - 31 augustus 2024