論文の概要: An Artificial-intelligence/Statistics Solution to Quantify Material
Distortion for Thermal Compensation in Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2005.09084v1
- Date: Thu, 14 May 2020 20:02:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 05:32:56.104303
- Title: An Artificial-intelligence/Statistics Solution to Quantify Material
Distortion for Thermal Compensation in Additive Manufacturing
- Title（参考訳）: 添加物製造における熱補償のための材料歪みの定量化のための人工知能・統計解
- Authors: Chao Wang, Shaofan Li, Danielle Zeng, and Xinhai Zhu
- Abstract要約: 永久(非ゼロひずみ)連続体/材料変形を同定し定量化するために確率論的統計解を導入する。
提案手法は,AIを用いた材料変形検出アルゴリズムである。
本手法は3次元プリント製品の熱補償構成の発見と設計における実用的意義と重要な応用を有する。
- 参考スコア（独自算出の注目度）: 4.124826613207753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a probabilistic statistics solution or artificial
intelligence (AI) approach to identify and quantify permanent (non-zero strain)
continuum/material deformation only based on the scanned material data in the
spatial configuration and the shape of the initial design configuration or the
material configuration. The challenge of this problem is that we only know the
scanned material data in the spatial configuration and the shape of the design
configuration of three-dimensional (3D) printed products, whereas for a
specific scanned material point we do not know its corresponding material
coordinates in the initial or designed referential configuration, provided that
we do not know the detailed information on actual physical deformation process.
Different from physics-based modeling, the method developed here is a
data-driven artificial intelligence method, which solves the problem with
incomplete deformation data or with missing information of actual physical
deformation process. We coined the method is an AI-based material deformation
finding algorithm.
This method has practical significance and important applications in finding
and designing thermal compensation configuration of a 3D printed product in
additive manufacturing, which is at the heart of the cutting edge 3D printing
technology. In this paper, we demonstrate that the proposed AI
continuum/material deformation finding approach can accurately find permanent
thermal deformation configuration for a complex 3D printed structure component,
and hence to identify the thermal compensation design configuration in order to
minimizing the impact of temperature fluctuations on 3D printed structure
components that are sensitive to changes of temperature.
- Abstract（参考訳）: 本稿では,空間的構成における走査された材料データと初期設計構成や材料構成の形状に基づいて,永続的(非ゼロ歪)連続体/材料変形を定量化するための確率論的統計解あるいは人工知能(AI)手法を提案する。
この問題の課題は,3次元プリント製品の空間的構成と形状の走査材料データのみを把握しているのに対して,特定走査材料ポイントでは,その対応する材料座標を初期または設計時の参照構造で把握していないので,実際の物理的変形過程に関する詳細な情報が分かっていない。
物理に基づくモデリングとは違って,不完全な変形データや実際の物理的変形過程の欠如を解消する,データ駆動型人工知能手法が開発されている。
提案手法は,AIを用いた材料変形検出アルゴリズムである。
本手法は, 最先端3Dプリンティング技術の中心となる添加物製造における3Dプリンティング製品の熱補償構成の発見と設計において, 実用的および重要な応用を有する。
本稿では, 複雑な3dプリント構造部品の永久的な熱変形形状を精度良く見つけることができ, 温度変化に敏感な3dプリント構造部品の温度変動の影響を最小限に抑えるために, 熱補償設計構成を同定できることを実証する。
関連論文リスト
- GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。
機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。
本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-02-11T20:22:00Z) - OpenMaterial: A Comprehensive Dataset of Complex Materials for 3D Reconstruction [54.706361479680055]
295個の異なる材料からなる1001個のオブジェクトからなるOpenMaterialデータセットを紹介した。
OpenMaterialは3D形状、マテリアルタイプ、カメラポーズ、深さ、オブジェクトマスクなど、包括的なアノテーションを提供する。
これは、多様で挑戦的な材料を持つオブジェクト上で、既存のアルゴリズムの定量的評価を可能にする最初の大規模データセットである。
論文 参考訳（メタデータ） (2024-06-13T07:46:17Z) - Physically Compatible 3D Object Modeling from a Single Image [109.98124149566927]
単一画像を3次元物理オブジェクトに変換するフレームワークを提案する。
我々のフレームワークは、リコンストラクションプロセスに物理的な互換性を組み込む。
既存の手法よりも3Dモデルの物理的リアリズムを一貫して強化する。
論文 参考訳（メタデータ） (2024-05-30T21:59:29Z) - S2P3: Self-Supervised Polarimetric Pose Prediction [55.43547228561919]
本稿では,マルチモーダルRGB+ポラリメトリック画像から,最初の自己監督型6次元オブジェクトポーズ予測を提案する。
1) 偏光の幾何学的情報を抽出する物理モデル,2) 教師による知識蒸留方式,3) 異なる制約による自己監督的損失の定式化を含む。
論文 参考訳（メタデータ） (2023-12-02T10:46:40Z) - Differentiable graph-structured models for inverse design of lattice
materials [0.0]
異なる環境条件に適応可能な物理化学的性質を有する建築材料は、材料科学の破壊的な新しい領域を具現化している。
正規および不規則な格子材料に対するグラフベース表現を用いた新しい計算手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T18:00:21Z) - Deep learning for the rare-event rational design of 3D printed
multi-material mechanical metamaterials [0.0]
マルチマテリアル3Dプリンティング技術は、メタマテリアルの合理的設計の道を開いた。
ネットワークの結果として生じる異方性力学特性と,特に稀な設計について検討する。
ディープラーニングに基づくアルゴリズムは、異なる設計の機械的特性を正確に予測することができる。
論文 参考訳（メタデータ） (2022-04-04T18:04:23Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T17:59:57Z) - gradSim: Differentiable simulation for system identification and
visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。
当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文 参考訳（メタデータ） (2021-04-06T16:32:01Z) - A Compact Spectral Descriptor for Shape Deformations [0.8268443804509721]
本研究では, 応力下での塑性変形挙動のパラメータ化手法を提案する。
既存のパラメータ化は計算解析を比較的単純な変形に制限する。
本稿では,スペクトルメッシュ処理に基づく変形挙動のコンパクト記述子を導出する手法を提案する。
論文 参考訳（メタデータ） (2020-03-10T10:34:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。