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

• Scalable AI Framework for Defect Detection in Metal Additive Manufacturing [2.303463009749888]
  我々は、畳み込みニューラルネットワーク(CNN)を利用してプリント層の熱画像を分析し、これらの特性に影響を与える異常を自動的に識別する。 我々はこれらのモデルをCLoud ADditive Manufacturing (CLADMA)モジュールに統合し、AMアプリケーションのアクセシビリティと実用性を向上させる。
  論文  参考訳（メタデータ） (2024-11-01T18:17:59Z)
• Machine Learning Based Optimal Design of Fibrillar Adhesives [41.94295877935867]
  甲虫、クモ、カブトムシなどの動物で観察されるフィブリル接着は、「接触分割」によって表面の接着を強化するためにナノ顕微鏡または顕微鏡的フィブリルに依存している。 近年の研究では、フィブリル物性の官能的なグレーディングは接着性を向上させることが示唆されているが、これは簡易な測地でのみ検討された複雑な設計課題である。 接着強度を最大化するためにフィブリルコンプライアンスの分布を最適化するMLベースのツールを提案する。
  論文  参考訳（メタデータ） (2024-09-09T09:26:48Z)
• Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
  ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。 評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。 その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
  論文  参考訳（メタデータ） (2024-07-03T03:29:23Z)
• 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)
• 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)
• 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。