論文の概要: Machine learning based in situ quality estimation by molten pool
condition-quality relations modeling using experimental data
- arxiv url: http://arxiv.org/abs/2103.12066v1
- Date: Sun, 21 Mar 2021 15:57:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 13:44:18.509934
- Title: Machine learning based in situ quality estimation by molten pool
condition-quality relations modeling using experimental data
- Title(参考訳): 実験データを用いた溶融プール条件-品質関係モデルによるその場品質推定に基づく機械学習
- Authors: Noopur Jamnikar, Sen Liu, Craig Brice, and Xiaoli Zhang
- Abstract要約: 計測可能な溶融プール画像と温度データから相関関係を確立するための機械学習畳み込みニューラルネットワーク(CNN)モデルを開発した。
マルチモダリティネットワークは、カメラ画像と温度測定の両方を入力として受信し、対応するキャラクタリゼーション特性が得られる。
開発したモデルでは, 量的, 協調的品質推定・保証フレームワークを構築するために, 溶融プール条件品質関係マッピングが可能となる。
- 参考スコア(独自算出の注目度): 14.092644790436635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advancement of machine learning promises the ability to accelerate the
adoption of new processes and property designs for metal additive
manufacturing. The molten pool geometry and molten pool temperature are the
significant indicators for the final part's geometric shape and microstructural
properties for the Wire-feed laser direct energy deposition process. Thus, the
molten pool condition-property relations are of preliminary importance for in
situ quality assurance. To enable in situ quality monitoring of bead geometry
and characterization properties, we need to continuously monitor the sensor's
data for molten pool dimensions and temperature for the Wire-feed laser
additive manufacturing (WLAM) system. We first develop a machine learning
convolutional neural network (CNN) model for establishing the correlations from
the measurable molten pool image and temperature data directly to the geometric
shape and microstructural properties. The multi-modality network receives both
the camera image and temperature measurement as inputs, yielding the
corresponding characterization properties of the final build part (e.g., fusion
zone depth, alpha lath thickness). The performance of the CNN model is compared
with the regression model as a baseline. The developed models enable molten
pool condition-quality relations mapping for building quantitative and
collaborative in situ quality estimation and assurance framework.
- Abstract(参考訳): 機械学習の進歩は、金属添加物製造における新しいプロセスや特性設計の採用を加速する能力をもたらす。
溶融プール形状と溶融プール温度は, ワイヤフィードレーザ直接堆積法における最終部の幾何学的形状と微細構造特性の重要な指標である。
したがって, 溶融プール条件-純度関係はin situの品質保証において予備的に重要である。
ビーズ形状とキャラクタリゼーション特性のin situ品質モニタリングを可能にするためには,Wire-feed Laser Additive Manufacturing (WLAM) システムにおいて,溶融プール寸法と温度のセンサデータの連続監視を行う必要がある。
まず、計測可能な溶融プール画像と温度データから幾何学的形状と微構造特性に直接相関関係を確立する機械学習畳み込みニューラルネットワーク(CNN)モデルを構築した。
マルチモダリティネットワークは、カメラ画像と温度測定の両方を入力として受信し、最終構築部の対応するキャラクタリゼーション特性(例えば、融合ゾーン深さ、アルファラス厚さ)を生成する。
CNNモデルの性能をベースラインとして回帰モデルと比較する。
開発したモデルでは, 量的, 協調的品質推定・保証フレームワークを構築するために, 溶融プール条件品質関係マッピングが可能となる。
関連論文リスト
- Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - FluxGAN: A Physics-Aware Generative Adversarial Network Model for
Generating Microstructures That Maintain Target Heat Flux [0.0]
本稿では,大規模構造物の高品質な画像を同時に生成できる物理認識型生成逆ネットワークモデルFluxGANを提案する。
このモデルは2次元(2次元)の例で訓練した後、3次元(3次元)ドメインでコーティングミクロ組織と物理プロセスを生成することができる。
本手法は, 溶射皮膜の設計と最適化を, 様々な用途に応用できる可能性を持っている。
論文 参考訳(メタデータ) (2023-10-06T23:13:40Z) - Evaluation of Key Spatiotemporal Learners for Print Track Anomaly
Classification Using Melt Pool Image Streams [1.83192584562129]
本稿では,メルトプール画像の分類に適応可能な,先進的な深層学習モデルについて紹介する。
空間的ストリームと時間的ストリームと、繰り返し空間的ネットワークと、分解された3次元畳み込みニューラルネットワークから構成される2つのストリームネットワークについて検討する。
実世界のプロセスシナリオに根ざしたデータテンポラリ手法を用いて, 溶融プール画像データの摂動に曝露した場合の一般化能力について検討した。
論文 参考訳(メタデータ) (2023-08-28T19:31:53Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳(メタデータ) (2023-06-23T07:53:09Z) - 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) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳(メタデータ) (2022-06-30T17:45:05Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - MeltpoolNet: Melt pool Characteristic Prediction in Metal Additive
Manufacturing Using Machine Learning [0.39577682622066257]
金属添加物製造(MAM)では, 溶融プール形状と形状を特徴付けることが, 印刷工程の制御と欠陥の回避に不可欠である。
機械学習(ML)技術は、プロセスパラメータとメルトプールの欠陥の種類を結びつけるのに有用である。
本研究では,メルトプールキャラクタリゼーションのためのMLベンチマークフレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-26T04:08:56Z) - Thermal Neural Networks: Lumped-Parameter Thermal Modeling With
State-Space Machine Learning [0.0]
電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。
本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。
TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
論文 参考訳(メタデータ) (2021-03-30T13:15:48Z) - Comprehensive process-molten pool relations modeling using CNN for
wire-feed laser additive manufacturing [14.092644790436635]
ワイヤーフィードレーザー添加剤製造(WLAM)は、高い自動化レベル、高い蒸着率、および印刷部品の高品質のために幅広い関心を集めています。
材料の品質の不確実性を減少させるプロセス内監視とフィードバックコントロールは、開発の初期段階にある。
本稿では,wlamシステム内の一連の制御過程パラメータの下,溶融プールから収集したin situセンシングデータを解析する。
論文 参考訳(メタデータ) (2021-03-22T05:27:20Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z)
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。