論文の概要: A Physics-Informed Machine Learning Model for Porosity Analysis in Laser
Powder Bed Fusion Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2101.05605v1
- Date: Wed, 13 Jan 2021 01:29:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 07:55:42.614232
- Title: A Physics-Informed Machine Learning Model for Porosity Analysis in Laser
Powder Bed Fusion Additive Manufacturing
- Title(参考訳): レーザー粉体融合添加物製造におけるポロシティ解析のための物理インフォームド機械学習モデル
- Authors: Rui Liu and Sen Liu and Xiaoli Zhang
- Abstract要約: 物理インフォームドデータ駆動モデル(PIM)は,印刷部品のポロシティレベルを予測するために開発された。
PIMは、機械設定をレーザーエネルギー密度やレーザー放射圧などの物理的効果に解釈する。
6つの学習方法の評価により, PIMは10$sim$26%の予測誤差で良好な性能を示した。
- 参考スコア(独自算出の注目度): 20.449449594489387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To control part quality, it is critical to analyze pore generation
mechanisms, laying theoretical foundation for future porosity control. Current
porosity analysis models use machine setting parameters, such as laser angle
and part pose. However, these setting-based models are machine dependent, hence
they often do not transfer to analysis of porosity for a different machine. To
address the first problem, a physics-informed, data-driven model (PIM), which
instead of directly using machine setting parameters to predict porosity levels
of printed parts, it first interprets machine settings into physical effects,
such as laser energy density and laser radiation pressure. Then, these
physical, machine independent effects are used to predict porosity levels
according to pass, flag, fail categories instead of focusing on quantitative
pore size prediction. With six learning methods evaluation, PIM proved to
achieve good performances with prediction error of 10$\sim$26%. Finally,
pore-encouraging influence and pore-suppressing influence were analyzed for
quality analysis.
- Abstract(参考訳): 部品品質の制御には, 細孔発生機構の解析が不可欠であり, 将来的な細孔制御の理論的基礎を定めている。
現在のポロシティ分析モデルは、レーザーアングルや部分ポーズなどのマシン設定パラメータを使用する。
しかし、これらの設定ベースモデルは機械に依存しているため、しばしば異なる機械のポロシティの分析に移行しない。
最初の問題に対処するため、PIM(Physical-informed, data-driven model)は、機械設定パラメータを直接使用して印刷部品のポロシティレベルを予測する代わりに、まず機械設定をレーザーエネルギー密度やレーザー放射圧などの物理的効果に解釈する。
次に、これらの物理的、マシンに依存しない効果は、定量的な孔径予測ではなく、パス、フラグ、フェールカテゴリに従ってポロシティレベルを予測するために使用される。
6つの学習方法の評価により, PIMは10$\sim$26%の予測誤差で良好な性能を示した。
最後に, 品質解析のために, 細孔効果と細孔抑制効果を解析した。
関連論文リスト
- ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [90.97595947781426]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳(メタデータ) (2024-02-09T01:09:21Z) - Physion++: Evaluating Physical Scene Understanding that Requires Online
Inference of Different Physical Properties [100.19685489335828]
この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。
正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。
我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
論文 参考訳(メタデータ) (2023-06-27T17:59:33Z) - Interpretability and causal discovery of the machine learning models to
predict the production of CBM wells after hydraulic fracturing [0.5512295869673146]
観測データから潜在因果関係を発見するための新しい手法が提案されている。
因果発見の理論に基づいて、因果グラフは明示的な入力、出力、処理、共起変数によって導出される。
SHAPは、機械学習モデルを間接的に解釈する生産能力に対する要因の影響を分析するために使用される。
論文 参考訳(メタデータ) (2022-12-21T02:06:26Z) - Direct Estimation of Porosity from Seismic Data using Rock and Wave
Physics Informed Neural Networks (RW-PINN) [2.741266294612776]
本稿では,岩盤・波動物理情報ニューラルネットワーク(RW-PINN)モデルを提案する。
例えば,未セメント砂岩の物理モデルと通常の入射波物理を用いて,RW-PINNの学習を指導する。
本稿では,自己教師型あるいは弱教師型ニューラルネットワークを用いて,地震データの石油物理インバージョンを実行するための完全なワークフローを実証する。
論文 参考訳(メタデータ) (2022-09-30T18:53:15Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Bayesian Calibration of imperfect computer models using Physics-informed
priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。
我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。
この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文 参考訳(メタデータ) (2022-01-17T15:16:26Z) - 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) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳(メタデータ) (2021-08-04T16:32:59Z) - Deep Learning-based Prediction of Key Performance Indicators for
Electrical Machine [0.0]
データ支援,深層学習に基づくメタモデルを用いて,電気機械の設計を迅速かつ高精度に予測する。
その結果、高い予測精度を示し、最適化時間を最小化するためのディープラーニングに基づくメタモデルの妥当性を示す。
論文 参考訳(メタデータ) (2020-12-16T18:03:58Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z)
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。