Laser Processing Prediction System

🌟 О проекте

Этот репозиторий содержит комплексную систему для моделирования, анализа и предсказания оптимальных режимов лазерного структурирования материалов.

Проект объединяет физическое моделирование процессов, алгоритмическую генерацию баз данных и методы глубокого обучения (Physics-Informed Neural Networks) для решения задачи поиска идеальных параметров лазерного воздействия.

---

🏗 Структура и взаимосвязи

Система состоит из трех взаимосвязанных модулей, каждый из которых решает свой класс задач. Поток данных в проекте организован следующим образом:

Архитектура системы

Solvers (Физическое моделирование)
    ↓
    ├─ Моделирование контактного взаимодействия
    ├─ Расчет температурных полей
    └─ Генерация синтетических данных
    ↓
Data Base (Формирование датасета)
    ↓
    ├─ Агрегация данных от солверов
    ├─ Обработка экспериментальных результатов
    └─ Структурирование обучающей выборки
    ↓
PINN_3D_real_parms (Нейросеть)
    ↓
    └─ Предсказание оптимальных режимов лазерного воздействия

Взаимосвязь модулей в итоговом пайплайне

Temperature Solver
    ↓
    Синтетика: T(x,y,t)
    ↓
PINN Training

Surface Optimizer
    ↓
    Запрос расчета
    ↓
GFMD Solver
    ↓
    Напряжения и деформации
    ↓
Surface Optimizer
    ↓
    Оптимальный профиль
    ↓
Рекомендации для лазерной обработки

---

📚 Компоненты системы

1. Физическое моделирование (Solvers)

🌿 Ветка: solvers

Фундамент проекта. Здесь находятся солверы для численного моделирования физических процессов, происходящих при лазерной обработке.

Задачи:

• Моделирование контактного взаимодействия материалов
• Расчет температурных полей и тепловых паттернов
• Решение уравнений теплопроводности и динамики материалов

Роль в системе: Генерация синтетических физически корректных данных для последующего обучения модели.

---

2. Генерация баз данных (Database)

🌿 Ветка: data_base

Инструментарий для агрегации и подготовки данных. Модуль отвечает за сбор, обработку и структурирование информации, полученной от солверов и реальных экспериментов.

Задачи:

• Алгоритмы создания и разметки базы данных режимов лазерного воздействия
• Валидация и очистка данных
• Подготовка выборок для обучения и валидации

Роль в системе: Подготовка валидного датасета для дообучения (fine-tuning) нейросетевой модели.

---

3. Предсказательная модель (PINN)

🌿 Ветка: PINN_3D_real_parms

Ядро системы. Здесь реализована архитектура физически-информированной нейронной сети (PINN) для решения обратной задачи — поиска параметров лазера.

Задачи:

• Обучение нейросети на подготовленных датасетах
• Предсказание оптимальных режимов структурирования на основе 3D-моделей
• Использование реальных параметров материалов и установок

Роль в системе: Конечный инструмент для технолога и исследователя для получения оптимальных параметров лазерной обработки.

---

🚀 Начало работы

Поскольку каждый модуль является самостоятельной частью системы, детальные инструкции по установке и запуску находятся внутри соответствующих директорий:

1. Для работы с физическими моделями перейдите в solvers — здесь находятся инструкции по запуску солверов и генерации данных.

2. Для интеграции датасетов переключитесь на ветку data_base — там описаны алгоритмы подготовки данных и работы с ними.

3. Для запуска нейросети используйте ветку PINN_3D_real_parms — здесь находятся модели и инструкции по обучению.

---

📖 Документация

Каждый компонент содержит собственный README.md с подробными описаниями:

Компонент	Местоположение	Содержание
Солверы	solvers/README.md	Описание физических моделей, параметры, примеры
База данных	data_base/README.md	Структура датасета, алгоритмы генерации
PINN модель	PINN_3D_real_parms/README.md	Архитектура сети, инструкции по обучению

---

🤝 Авторство

Проект разработан командой ILT-ITMO (Institute of Laser Technology, ITMO University).

---

💬 Контакты

Email: ilt@itmo.ru Website: https://ilt.itmo.ru GitHub: https://github.com/ILT-ITMO/LaserProcessing