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
- Integrating Multi-Physics Simulations and Machine Learning to Define the Spatter Mechanism and Process Window in Laser Powder Bed Fusion [6.024307115154315]
本研究では, LPBFにおける多物理現象をシミュレートするために構築した高忠実度モデリングツールを用いて, スパッタ形成機構について検討した。
スパッタの挙動と生成を理解するため, 噴出時の特性を明らかにし, 生成源である溶融プールからの変動を評価する。
分類タスクの相関解析と機械学習(ML)アルゴリズムを用いて,スパッタとメルトプールの関係を評価した。
論文 参考訳（メタデータ） (2024-05-13T15:08:02Z) - Deep Neural Operator Enabled Digital Twin Modeling for Additive Manufacturing [9.639126204112937]
デジタルツイン(DT)は、現実世界の物理的プロセスの仮想ツインとして振る舞う。
L-PBFプロセスの閉ループフィードバック制御のためのディープ・ニューラル演算子を用いたDTの計算フレームワークを提案する。
開発したDTは、AMプロセスのガイドと高品質製造の促進を目的としている。
論文 参考訳（メタデータ） (2024-05-13T03:53:46Z) - Deep Learning for Melt Pool Depth Contour Prediction From Surface Thermal Images via Vision Transformers [40.80426609561942]
レーザー粉層融合(L-PBF)時に発生する溶融プール間の十分な重なり合いは、核融合欠陥の欠如につながる。
高速カラーイメージングにより観察されたその場2色熱画像と溶融プール断面の2次元形状を相関付ける機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-26T20:55:39Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
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) - Comparison of Point Cloud and Image-based Models for Calorimeter Fast
Simulation [48.26243807950606]
2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。
生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
論文 参考訳（メタデータ） (2023-07-10T08:20:45Z) - 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) - 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) - 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。