論文の概要: Machine learning for metal additive manufacturing: Predicting temperature and melt pool fluid dynamics using physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2008.13547v2
• Date: Wed, 16 Sep 2020 17:29:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 03:17:53.100936
• Title: Machine learning for metal additive manufacturing: Predicting temperature and melt pool fluid dynamics using physics-informed neural networks
• Title（参考訳）: 金属添加物製造のための機械学習:物理インフォームドニューラルネットワークを用いた温度予測と溶融プール流体力学
• Authors: Qiming Zhu, Zeliang Liu, Jinhui Yan
• Abstract要約: 本稿では,データと最初の物理原理を融合する物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 これは、PINNの3次元AMプロセスモデリングへの最初の応用である。 PINNは、金属AMプロセス中の温度とプールのダイナミクスをある程度のラベル付きデータセットで正確に予測することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent explosion of machine learning (ML) and artificial intelligence (AI) shows great potential in the breakthrough of metal additive manufacturing (AM) process modeling. However, the success of conventional machine learning tools in data science is primarily attributed to the unprecedented large amount of labeled data-sets (big data), which can be either obtained by experiments or first-principle simulations. Unfortunately, these labeled data-sets are expensive to obtain in AM due to the high expense of the AM experiments and prohibitive computational cost of high-fidelity simulations. We propose a physics-informed neural network (PINN) framework that fuses both data and first physical principles, including conservation laws of momentum, mass, and energy, into the neural network to inform the learning processes. To the best knowledge of the authors, this is the first application of PINN to three dimensional AM processes modeling. Besides, we propose a hard-type approach for Dirichlet boundary conditions (BCs) based on a Heaviside function, which can not only enforce the BCs but also accelerate the learning process. The PINN framework is applied to two representative metal manufacturing problems, including the 2018 NIST AM-Benchmark test series. We carefully assess the performance of the PINN model by comparing the predictions with available experimental data and high-fidelity simulation results. The investigations show that the PINN, owed to the additional physical knowledge, can accurately predict the temperature and melt pool dynamics during metal AM processes with only a moderate amount of labeled data-sets. The foray of PINN to metal AM shows the great potential of physics-informed deep learning for broader applications to advanced manufacturing.
• Abstract（参考訳）: 最近の機械学習(ML)と人工知能(AI)の爆発は、金属添加物製造(AM)プロセスモデリングのブレークスルーに大きな可能性を示している。 しかし、データサイエンスにおける従来の機械学習ツールの成功は主に、実験または第一原理シミュレーションによって得られるラベル付きデータセット(ビッグデータ)の膨大な量に起因する。 残念ながら、これらのラベル付きデータセットは、am実験の費用が高く、高忠実度シミュレーションの計算コストが抑えられているため、amで取得するコストが高い。 運動量,質量,エネルギーの保存則を含む,データと第一原理の両方を融合した物理情報ニューラルネットワーク(PINN)フレームワークをニューラルネットワークに提案し,学習プロセスについて報告する。 著者らの知る限り、PINNの3次元AMプロセスモデリングへの応用はこれが初めてである。 さらに,ヘビーサイド関数に基づくディリクレ境界条件(bcs)に対するハードタイプアプローチを提案する。 PINNフレームワークは、2018年のNIST AM-Benchmarkテストシリーズを含む2つの代表的な金属製造問題に適用されている。 我々は,PINNモデルの性能を実験データと高忠実度シミュレーション結果とを比較して慎重に評価する。 調査の結果、PINNは追加の物理的知識に依拠し、金属AMプロセス中の温度とプールのダイナミクスを適度な量のラベル付きデータセットで正確に予測できることがわかった。 PINNの金属AMへの進出は、物理学的なインフォームドディープラーニングの大きな可能性を示している。

関連論文リスト

• Large language models, physics-based modeling, experimental measurements: the trinity of data-scarce learning of polymer properties [10.955525128731654]
  大規模言語モデル(LLM)は、評価、分析、設計のための高速で正確な物質モデリングパラダイムとして約束される。 データ不足の病理に対処する物理ベースのトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-07-03T02:57:40Z)
• Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data [38.39977540117143]
  化学工学では、プロセスデータを取得するのが高価であり、複雑な現象を完全にモデル化することは困難である。 特に、直接データも観測方程式も利用できない状態の推定に焦点をあてる。 実験データが少ない場合, PINNはプロセスのモデリングが可能であり, 部分的には機械的記述しか知られていないことを示す。
  論文  参考訳（メタデータ） (2024-06-03T16:58:17Z)
• Synthetic pre-training for neural-network interatomic potentials [0.0]
  本研究は,ニューラルネットワークを用いた原子間ポテンシャルモデルにおいて,既存の機械学習ポテンシャルと大規模に比較して得られる合成原子構造データが有用な事前学習課題であることを示す。 一度大きな合成データセットで事前訓練すると、これらのモデルはより小さく、量子力学的なモデルに微調整され、計算の練習における数値的精度と安定性が向上する。
  論文  参考訳（メタデータ） (2023-07-24T17:16:24Z)
• Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
  金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。 本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。 データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
  論文  参考訳（メタデータ） (2023-07-23T12:12:44Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

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。