論文の概要: A Machine Learning Framework for Real-time Inverse Modeling and Multi-objective Process Optimization of Composites for Active Manufacturing Control

• arxiv url: http://arxiv.org/abs/2104.11342v1
• Date: Thu, 22 Apr 2021 22:54:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 13:02:39.058620
• Title: A Machine Learning Framework for Real-time Inverse Modeling and Multi-objective Process Optimization of Composites for Active Manufacturing Control
• Title（参考訳）: 実時間逆モデリングのための機械学習フレームワークとアクティブ製造制御のための複合材料多目的プロセス最適化
• Authors: Keith D. Humfeld, Dawei Gu, Geoffrey A. Butler, Karl Nelson, Navid Zobeiry
• Abstract要約: リアルタイムに空気温度サイクルを最適化できる新しい機械学習(ML)フレームワークを提示する。 このフレームワークは、2つのリカレントニューラルネットワーク(NN)で構成されており、300シミュレーション/秒の速度で不正な計算問題の逆モデリングを行う。
• 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: For manufacturing of aerospace composites, several parts may be processed simultaneously using convective heating in an autoclave. Due to uncertainties including tool placement, convective Boundary Conditions (BCs) vary in each run. As a result, temperature histories in some of the parts may not conform to process specifications due to under-curing or over-heating. Thermochemical analysis using Finite Element (FE) simulations are typically conducted prior to fabrication based on assumed range of BCs. This, however, introduces unnecessary constraints on the design. To monitor the process, thermocouples (TCs) are placed under tools near critical locations. The TC data may be used to back-calculate BCs using trial-and-error FE analysis. However, since the inverse heat transfer problem is ill-posed, many solutions are obtained for given TC data. In this study, a novel machine learning (ML) framework is presented capable of optimizing air temperature cycle in real-time based on TC data from multiple parts, for active control of manufacturing. The framework consists of two recurrent Neural Networks (NN) for inverse modeling of the ill-posed curing problem at the speed of 300 simulations/second, and a classification NN for multi-objective optimization of the air temperature at the speed of 35,000 simulations/second. A virtual demonstration of the framework for process optimization of three composite parts with data from three TCs is presented.
• Abstract（参考訳）: 航空宇宙複合材料の製造には、オートクレーブ内の対流加熱を用いて複数の部品を同時に処理することができる。 工具配置などの不確実性から、対流境界条件(bcs)は各実行で異なる。 その結果、一部の部品の温度履歴は、過熱または過熱のためプロセス仕様に適合しない可能性がある。 有限要素(fe)シミュレーションを用いた熱化学的解析は、通常、bcsの想定範囲に基づいて行われる。 しかし、これは設計に不必要な制約をもたらす。 プロセスを監視するために、熱電対(tcs)は重要な場所の近くのツールの下に置かれる。 TCデータは、トライアル・アンド・エラーFE分析を用いてBCのバック計算に使用することができる。 しかし, 逆熱伝達問題は不良であるため, 与えられたTCデータに対して多くの解が得られる。 本研究では,複数部品のTCデータに基づいて,リアルタイムに空気温度サイクルを最適化し,製造の能動的制御が可能な機械学習(ML)フレームワークを提案する。 このフレームワークは、300シミュレーション/秒の速度で不適切なキュリング問題を逆モデリングするための2つのリカレントニューラルネットワーク(nn)と、35,000シミュレーション/秒の速度での気温の多目的最適化のための分類nnで構成されている。 3つのTCのデータを含む3つの複合部品のプロセス最適化のためのフレームワークの仮想的なデモを示す。

関連論文リスト

• Neurons for Neutrons: A Transformer Model for Computation Load Estimation on Domain-Decomposed Neutron Transport Problems [48.35237609036802]
  本稿では, 独自の3次元入力埋め込みを持つトランスフォーマーモデルと, 領域分解中性子輸送問題のための入力表現を提案する。 本研究では,ドメイン分割型小型モジュールリアクタ(SMR)シミュレーションでトレーニングしたモデルが98.2%の精度を実現し,小型シミュレーションのステップを完全にスキップできることを実証する。
  論文  参考訳（メタデータ） (2024-11-05T18:17:51Z)
• Binocular Model: A deep learning solution for online melt pool temperature analysis using dual-wavelength Imaging Pyrometry [0.0]
  金属添加物製造(AM)において, メルトプール(MP)の温度監視は, 部品品質, プロセス安定性, 欠陥防止, プロセス全体の最適化の確保に不可欠である。 従来の手法は収束が遅く、データを実行可能な洞察に変換するために広範囲な手作業を必要とする。 本稿では,手作業によるデータ処理依存を減らすことを目的とした人工知能(AI)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-20T18:26:09Z)
• Towards a Digital Twin Framework in Additive Manufacturing: Machine Learning and Bayesian Optimization for Time Series Process Optimization [10.469801991143546]
  レーザー指向エネルギー堆積(DED)は、複雑なジオメトリーと材料グレーディングを作るための添加性製造(AM)の利点を提供する。 鍵となる問題は、DED中の熱蓄積であり、それは材料のミクロ構造と性質に影響を与える。 本稿では、DEDプロセスパラメータをリアルタイムに予測制御し、特定の設計目的を満たすためのデジタルツイン(DT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-27T17:53:13Z)
• Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
  金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。 本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。 提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
  論文  参考訳（メタデータ） (2024-01-04T18:42:28Z)
• Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
  本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。 開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
  論文  参考訳（メタデータ） (2023-09-03T20:57:10Z)
• 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)
• Surrogate Modeling of Melt Pool Thermal Field using Deep Learning [0.0]
  我々は,レーザーパワー,レーザー速度,時間ステップという3つのパラメータを入力として,溶融プールの3次元熱場の挙動を予測できる畳み込みニューラルネットワークを訓練する。 このネットワークは、温度場に対して相対的なルート平均正方形誤差を2%から3%とし、融解プール面積の予測において平均80%から90%のユニオンスコアに対するインターセクションを達成している。
  論文  参考訳（メタデータ） (2022-07-25T15:27:16Z)
• Residual fourier neural operator for thermochemical curing of composites [9.236600710244478]
  本稿では,Residual Fourier Neural Operator (ResFNO)を提案する。 ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
  論文  参考訳（メタデータ） (2021-11-15T14:28:11Z)
• 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)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)

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。