論文の概要: PATO: Producibility-Aware Topology Optimization using Deep Learning for
Metal Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2112.04552v1
- Date: Wed, 8 Dec 2021 19:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-11 01:19:12.900209
- Title: PATO: Producibility-Aware Topology Optimization using Deep Learning for
Metal Additive Manufacturing
- Title(参考訳): PATO:金属添加物製造のための深層学習を用いた生産性を考慮したトポロジー最適化
- Authors: Naresh S. Iyer, Amir M. Mirzendehdel, Sathyanarayanan Raghavan, Yang
Jiao, Erva Ulu, Morad Behandish, Saigopal Nelaturi, Dean M. Robinson
- Abstract要約: 金属添加物製造(AM)を用いて作製した部品の設計空間を効率的に探索するためのPATO-a Producibility-Aware Topology Optimization (TO) フレームワークを提案する。
我々は、深部畳み込みニューラルネットワークの現在の進歩を活用し、注意に基づくU-Netアーキテクチャに基づく高忠実な代理モデルを示し、最大せん断ひずみ指数(MSSI)を予測する。
提案手法の有効性を3次元のベンチマークと実験による検証により検証した。
- 参考スコア(独自算出の注目度): 2.57172274875712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose PATO-a producibility-aware topology optimization
(TO) framework to help efficiently explore the design space of components
fabricated using metal additive manufacturing (AM), while ensuring
manufacturability with respect to cracking. Specifically, parts fabricated
through Laser Powder Bed Fusion are prone to defects such as warpage or
cracking due to high residual stress values generated from the steep thermal
gradients produced during the build process. Maturing the design for such parts
and planning their fabrication can span months to years, often involving
multiple handoffs between design and manufacturing engineers. PATO is based on
the a priori discovery of crack-free designs, so that the optimized part can be
built defect-free at the outset. To ensure that the design is crack free during
optimization, producibility is explicitly encoded within the standard
formulation of TO, using a crack index. Multiple crack indices are explored and
using experimental validation, maximum shear strain index (MSSI) is shown to be
an accurate crack index. Simulating the build process is a coupled,
multi-physics computation and incorporating it in the TO loop can be
computationally prohibitive. We leverage the current advances in deep
convolutional neural networks and present a high-fidelity surrogate model based
on an Attention-based U-Net architecture to predict the MSSI values as a
spatially varying field over the part's domain. Further, we employ automatic
differentiation to directly compute the gradient of maximum MSSI with respect
to the input design variables and augment it with the performance-based
sensitivity field to optimize the design while considering the trade-off
between weight, manufacturability, and functionality. We demonstrate the
effectiveness of the proposed method through benchmark studies in 3D as well as
experimental validation.
- Abstract(参考訳): 本稿では, 金属添加物製造(AM)を用いて作製した部品の設計空間を効率的に探索し, ひび割れに関する製造性を確保するために, PATO-a Producibility-Aware Topology Optimization (TO) フレームワークを提案する。
特に、レーザ粉末層融合により作製された部品は、ビルドプロセス中に発生する急な熱勾配から発生する高い残留応力値により、反りや割れなどの欠陥を生じやすい。
このような部品の設計と製造計画には数ヶ月から数年を要し、しばしば設計と製造エンジニア間の複数のハンドオフを含む。
PATOはクラックフリー設計の事前発見に基づいており、最適化された部品を最初から欠陥のないものにすることができる。
最適化中に設計がクラックフリーであることを保証するため、クラックインデックスを用いて、toの標準定式化内で生産性が明示的に符号化される。
複数のひび割れ指数を探索し, 実験的検証により, 最大せん断ひずみ指数 (MSSI) は正確なき裂指数であることが示された。
ビルドプロセスのシミュレーションは、結合されたマルチ物理計算であり、それをTOループに組み込むことは、計算が禁止される。
深層畳み込みニューラルネットワークの最近の進歩を活かし、注意に基づくu-netアーキテクチャに基づく高忠実度サーロゲートモデルを示し、mssi値を部分領域上の空間的に変化するフィールドとして予測する。
さらに, 入力設計変数に対する最大mssiの勾配を直接計算し, 負荷, 製造性, 機能性のトレードオフを考慮しつつ, 設計を最適化するために, 性能に基づく感度場を加味する。
提案手法の有効性を3次元のベンチマーク実験と実験的検証によって実証する。
関連論文リスト
- 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) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳(メタデータ) (2024-03-26T16:33:12Z) - 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) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳(メタデータ) (2023-05-29T09:16:07Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer
Compression [69.36555801766762]
本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。
ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
論文 参考訳(メタデータ) (2022-11-30T05:31:45Z) - TinyDefectNet: Highly Compact Deep Neural Network Architecture for
High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。
TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
論文 参考訳(メタデータ) (2021-11-29T04:19:28Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z) - An even-load-distribution design for composite bolted joints using a
novel circuit model and artificial neural networks [1.8472148461613158]
最適化手法として機械学習に基づくフレームワークを提案する。
人工ネットワークのトレーニングのためのデータサンプルを生成するための新しい回路モデルが確立された。
設計空間におけるすべての入力のデータベースは、機械学習モデルを通じて構築される。
論文 参考訳(メタデータ) (2021-05-15T10:10:47Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳(メタデータ) (2021-02-16T06:04:27Z) - A Deep Learning Framework for Simulation and Defect Prediction Applied
in Microelectronics [3.8698051494433043]
本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。
我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
論文 参考訳(メタデータ) (2020-02-25T15:54:33Z)
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。