論文の概要: Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal Imaging Data and Machine Learning

• arxiv url: http://arxiv.org/abs/2112.11212v1
• Date: Thu, 16 Dec 2021 21:25:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-26 13:22:05.893063
• Title: Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal Imaging Data and Machine Learning
• Title（参考訳）: レーザー粉末層融合における内部熱画像データと機械学習による欠陥予測
• Authors: Sina Malakpour Estalaki, Cody S. Lough, Robert G. Landers, Edward C. Kinzel, Tengfei Luo
• Abstract要約: レーザー粉末層融合過程における局所熱履歴の変化は微視的欠陥を引き起こす可能性がある。 本研究では, LPBFステンレス鋼材料の微細孔率を予測するため, その場熱画像データを用いた機械学習(ML)モデルを開発した。
• 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: Variation in the local thermal history during the laser powder bed fusion (LPBF) process in additive manufacturing (AM) can cause microporosity defects. in-situ sensing has been proposed to monitor the AM process to minimize defects, but the success requires establishing a quantitative relationship between the sensing data and the porosity, which is especially challenging for a large number of variables and computationally costly. In this work, we develop machine learning (ML) models that can use in-situ thermographic data to predict the microporosity of LPBF stainless steel materials. This work considers two identified key features from the thermal histories: the time above the apparent melting threshold (/tau) and the maximum radiance (T_{max}). These features are computed, stored for each voxel in the built material, are used as inputs. The binary state of each voxel, either defective or normal, is the output. Different ML models are trained and tested for the binary classification task. In addition to using the thermal features of each voxel to predict its own state, the thermal features of neighboring voxels are also included as inputs. This is shown to improve the prediction accuracy, which is consistent with thermal transport physics around each voxel contributing to its final state. Among the models trained, the F1 scores on test sets reach above 0.96 for random forests. Feature importance analysis based on the ML models shows that T_{max}is more important to the voxel state than /tau. The analysis also finds that the thermal history of the voxels above the present voxel is more influential than those beneath it.
• Abstract（参考訳）: レーザー粉末層融合(LPBF)プロセスにおける添加性製造(AM)における局所熱履歴の変化は微視的欠陥を引き起こす可能性がある。 in-situ sensingは欠陥を最小限に抑えるためにamプロセスを監視するために提案されているが、その成功にはセンシングデータとポロシティの間の定量的な関係を確立する必要がある。 本研究では,その場熱画像データを用いてlpbfステンレス鋼材料のミクロポーロシティを予測できる機械学習(ml)モデルを開発した。 本研究は熱履歴から明らかな2つの特徴を考察する: 見かけの融解閾値 (/tau) を超える時間と最大放射率 (t_{max}) である。 これらの特徴は計算され、構築された材料の各ボクセルに格納され、入力として使用される。 各voxelのバイナリ状態(欠陥または正常のいずれか)は出力である。 異なるMLモデルはバイナリ分類タスクのためにトレーニングされ、テストされる。 各ボクセルの熱的特徴を利用して独自の状態を予測することに加えて、隣接するボクセルの熱的特徴も入力として含まれる。 これにより予測精度が向上し、各ボクセル周辺の熱輸送物理が最終状態に寄与していることが示されている。 訓練されたモデルのうち、テストセットのF1スコアはランダムな森林で0.96以上に達する。 mlモデルに基づく特徴重要度分析により、t_{max} は /tau よりもボクセル状態にとって重要であることが示された。 この分析により、現在のボクセルより上のボクセルの熱履歴は、その下にあるものよりも影響が大きいことが判明した。

関連論文リスト

• In-Situ Infrared Camera Monitoring for Defect and Anomaly Detection in Laser Powder Bed Fusion: Calibration, Data Mapping, and Feature Extraction [0.26999000177990923]
  レーザーパウダーベッド融合(LPBF)プロセスは, 溶融プール不安定性, スパッタリング, 温度上昇, 粉体拡散異常による欠陥を生じさせる可能性がある。 内部監視による欠陥の特定には、通常、生成された大量のデータを収集、保存、分析する必要がある。
  論文  参考訳（メタデータ） (2024-07-17T16:02:22Z)
• 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)
• High Energy Density Radiative Transfer in the Diffusion Regime with Fourier Neural Operators [0.0]
  フーリエニューラル演算子(FNO)を用いたマーシャック波のモデル化手法を提案する。 本研究では,(1)ハマー・アンド・ローゼン(2003)による広く用いられている解析モデルに基づく解近似への駆動条件と材料特性のマッピングを学習するベースモデルと,(2)より正確な数値解へのマッピングを学習して解析近似の不正確さを補正するモデルである。
  論文  参考訳（メタデータ） (2024-05-07T04:44:59Z)
• Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data [0.0]
  本研究は,光ダイオードセンサデータを用いた過熱異常の検出に焦点を当てた。 光ダイオードセンサーは、プロセスのダイナミクスと熱履歴を反映して、溶融プールから高周波データを収集することができる。 提案手法は,フォトダイオードセンサデータを用いて過熱異常を階層的に検出する機械学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2024-03-20T01:12:44Z)
• 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)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• 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)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)

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。