論文の概要: Surrogate Modelling for Injection Molding Processes using Machine
Learning
- arxiv url: http://arxiv.org/abs/2107.14574v1
- Date: Fri, 30 Jul 2021 12:13:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 12:54:28.004911
- Title: Surrogate Modelling for Injection Molding Processes using Machine
Learning
- Title（参考訳）: 機械学習を用いた射出成形プロセスのサロゲートモデリング
- Authors: Arsenii Uglov, Sergei Nikolaev, Sergei Belov, Daniil Padalitsa,
Tatiana Greenkina, Marco San Biagio, Fabio Cacciatori
- Abstract要約: 射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。
モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。
我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
- 参考スコア（独自算出の注目度）: 0.23090185577016442
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Injection molding is one of the most popular manufacturing methods for the
modeling of complex plastic objects. Faster numerical simulation of the
technological process would allow for faster and cheaper design cycles of new
products. In this work, we propose a baseline for a data processing pipeline
that includes the extraction of data from Moldflow simulation projects and the
prediction of the fill time and deflection distributions over 3-dimensional
surfaces using machine learning models. We propose algorithms for engineering
of features, including information of injector gates parameters that will
mostly affect the time for plastic to reach the particular point of the form
for fill time prediction, and geometrical features for deflection prediction.
We propose and evaluate baseline machine learning models for fill time and
deflection distribution prediction and provide baseline values of MSE and RMSE
metrics. Finally, we measure the execution time of our solution and show that
it significantly exceeds the time of simulation with Moldflow software:
approximately 17 times and 14 times faster for mean and median total times
respectively, comparing the times of all analysis stages for deflection
prediction. Our solution has been implemented in a prototype web application
that was approved by the management board of Fiat Chrysler Automobiles and
Illogic SRL. As one of the promising applications of this surrogate modelling
approach, we envision the use of trained models as a fast objective function in
the task of optimization of technological parameters of the injection molding
process (meaning optimal placement of gates), which could significantly aid
engineers in this task, or even automate it.
- Abstract（参考訳）: 射出成形は複雑なプラスチックのモデリングにおいて最も一般的な製造方法の一つである。
技術プロセスの高速な数値シミュレーションにより、新しい製品の設計サイクルがより高速で安価になる。
本研究では,モルドフローシミュレーションプロジェクトからのデータ抽出と,機械学習モデルを用いた三次元表面上の充填時間と偏向分布の予測を含むデータ処理パイプラインのベースラインを提案する。
本稿では, 形状の特定の点に達するまでの時間に大きく影響するインジェクタゲートパラメータの情報と, 偏向予測のための幾何学的特徴を含む特徴量工学のためのアルゴリズムを提案する。
本稿では,mseおよびrmseメトリクスのベースライン値を提供するため,ベースライン機械学習モデルの提案と評価を行う。
最後に,提案手法の実行時間を計測し,モルドフローソフトウェアによるシミュレーション時間を大幅に超えることを示した。平均時間と中央値の総時間はそれぞれ約17倍,14倍の速度で,すべての解析段階の時間を比較して偏向予測を行う。
本ソリューションは,Fiat Chrysler AutomobilesとIllogic SRLの管理委員会が承認したプロトタイプWebアプリケーションに実装されている。
このサロゲートモデリング手法の有望な応用の1つとして、射出成形プロセス(ゲート配置の最適化を意味する)の技術パラメータを最適化するタスクにおいて、訓練されたモデルが高速な目的関数として使用されることを想定する。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。
ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。
以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-07-30T15:24:27Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。
機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。
本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
論文 参考訳（メタデータ） (2023-07-25T15:49:25Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳（メタデータ） (2022-11-11T09:46:58Z) - 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) - TunaOil: A Tuning Algorithm Strategy for Reservoir Simulation Workloads [0.9940728137241215]
TunaOilは貯水池流れシミュレーションの最適数値パラメータの探索を強化する新しい手法である。
我々は,異なるオーラクル内のモデルのアンサンブルを利用して,各シミュレーションから情報を抽出し,その後の実行時の数値パラメータを最適化する。
実験の結果, 予測によって全体の負荷を平均31%改善できることがわかった。
論文 参考訳（メタデータ） (2022-08-04T12:11:13Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Real-time Forecast Models for TBM Load Parameters Based on Machine
Learning Methods [6.247628933072029]
本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。
モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
論文 参考訳（メタデータ） (2021-04-12T07:31:39Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:33:44Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z)
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。