論文の概要: MeltpoolNet: Melt pool Characteristic Prediction in Metal Additive Manufacturing Using Machine Learning

• arxiv url: http://arxiv.org/abs/2201.11662v1
• Date: Wed, 26 Jan 2022 04:08:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 14:00:25.711106
• Title: MeltpoolNet: Melt pool Characteristic Prediction in Metal Additive Manufacturing Using Machine Learning
• Title（参考訳）: MeltpoolNet: 機械学習を用いた金属添加物製造におけるメルトプール特性予測
• Authors: Parand Akbari, Francis Ogoke, Ning-Yu Kao, Kazem Meidani, Chun-Yu Yeh, William Lee, Amir Barati Farimani
• Abstract要約: 金属添加物製造(MAM)では, 溶融プール形状と形状を特徴付けることが, 印刷工程の制御と欠陥の回避に不可欠である。 機械学習(ML)技術は、プロセスパラメータとメルトプールの欠陥の種類を結びつけるのに有用である。 本研究では,メルトプールキャラクタリゼーションのためのMLベンチマークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.39577682622066257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterizing meltpool shape and geometry is essential in metal Additive Manufacturing (MAM) to control the printing process and avoid defects. Predicting meltpool flaws based on process parameters and powder material is difficult due to the complex nature of MAM process. Machine learning (ML) techniques can be useful in connecting process parameters to the type of flaws in the meltpool. In this work, we introduced a comprehensive framework for benchmarking ML for melt pool characterization. An extensive experimental dataset has been collected from more than 80 MAM articles containing MAM processing conditions, materials, meltpool dimensions, meltpool modes and flaw types. We introduced physics-aware MAM featurization, versatile ML models, and evaluation metrics to create a comprehensive learning framework for meltpool defect and geometry prediction. This benchmark can serve as a basis for melt pool control and process optimization. In addition, data-driven explicit models have been identified to estimate meltpool geometry from process parameters and material properties which outperform Rosenthal estimation for meltpool geometry while maintaining interpretability.
• Abstract（参考訳）: 金属添加物製造(MAM)では, 溶融プール形状と形状を特徴付けることが, 印刷工程の制御と欠陥の回避に不可欠である。 MAMプロセスの複雑な性質から, プロセスパラメータと粉末材料に基づく溶融プール欠陥の予測は困難である。 機械学習(ML)技術は、プロセスパラメータをメルトプールの欠陥の種類に接続するのに有用である。 本研究では,メルトプールキャラクタリゼーションのためのMLベンチマークフレームワークを提案する。 MAM処理条件、材料、メルトプール寸法、メルトプールモード、欠陥タイプを含む80以上のMAM論文から、広範な実験データセットが収集された。 我々は,メルトプール欠陥と幾何予測のための包括的学習フレームワークを作成するために,mamの実現,汎用mlモデル,評価メトリクスを導入した。 このベンチマークは、溶融プール制御とプロセス最適化の基礎となる。 さらに, プロセスパラメータと材料特性からメルトプール幾何を推定し, 解釈可能性を維持しつつ, メルトプール幾何に対するローゼンタール推定より優れていることを示す。

関連論文リスト

• Integrating Multi-Physics Simulations and Machine Learning to Define the Spatter Mechanism and Process Window in Laser Powder Bed Fusion [6.024307115154315]
  本研究では, LPBFにおける多物理現象をシミュレートするために構築した高忠実度モデリングツールを用いて, スパッタ形成機構について検討した。 スパッタの挙動と生成を理解するため, 噴出時の特性を明らかにし, 生成源である溶融プールからの変動を評価する。 分類タスクの相関解析と機械学習(ML)アルゴリズムを用いて,スパッタとメルトプールの関係を評価した。
  論文  参考訳（メタデータ） (2024-05-13T15:08:02Z)
• 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)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
  本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。 MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。 理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
  論文  参考訳（メタデータ） (2023-08-26T06:12:33Z)
• A hybrid machine learning framework for clad characteristics prediction in metal additive manufacturing [0.0]
  金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。 MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。 機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
  論文  参考訳（メタデータ） (2023-07-04T18:32:41Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• 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)
• Comprehensive process-molten pool relations modeling using CNN for wire-feed laser additive manufacturing [14.092644790436635]
  ワイヤーフィードレーザー添加剤製造(WLAM)は、高い自動化レベル、高い蒸着率、および印刷部品の高品質のために幅広い関心を集めています。 材料の品質の不確実性を減少させるプロセス内監視とフィードバックコントロールは、開発の初期段階にある。 本稿では,wlamシステム内の一連の制御過程パラメータの下,溶融プールから収集したin situセンシングデータを解析する。
  論文  参考訳（メタデータ） (2021-03-22T05:27:20Z)
• Machine learning based in situ quality estimation by molten pool condition-quality relations modeling using experimental data [14.092644790436635]
  計測可能な溶融プール画像と温度データから相関関係を確立するための機械学習畳み込みニューラルネットワーク(CNN)モデルを開発した。 マルチモダリティネットワークは、カメラ画像と温度測定の両方を入力として受信し、対応するキャラクタリゼーション特性が得られる。 開発したモデルでは, 量的, 協調的品質推定・保証フレームワークを構築するために, 溶融プール条件品質関係マッピングが可能となる。
  論文  参考訳（メタデータ） (2021-03-21T15:57:05Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)

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。