論文の概要: Development of a deep learning platform for optimising sheet stamping geometries subject to manufacturing constraints

• arxiv url: http://arxiv.org/abs/2202.03422v1
• Date: Fri, 4 Feb 2022 22:29:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 15:26:54.892440
• Title: Development of a deep learning platform for optimising sheet stamping geometries subject to manufacturing constraints
• Title（参考訳）: 製造制約を考慮したシート切削測地最適化のための深層学習プラットフォームの開発
• Authors: Hamid Reza Attar, Alistair Foster, Nan Li
• Abstract要約: 板の切削工程により、重量比に対して剛性が高い複雑な形状の構造部品を効率的に製造できる。 本稿では,3次元要素幾何学を最適化する新しいディープラーニングプラットフォームを提案する。
• 参考スコア（独自算出の注目度）: 3.264571107058741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The latest sheet stamping processes enable efficient manufacturing of complex shape structural components that have high stiffness to weight ratios, but these processes can introduce defects. To assist component design for stamping processes, this paper presents a novel deep-learning-based platform for optimising 3D component geometries. The platform adopts a non-parametric modelling approach that is capable of optimising arbitrary geometries from multiple geometric parameterisation schema. This approach features the interaction of two neural networks: 1) a geometry generator and 2) a manufacturing performance evaluator. The generator predicts continuous 3D signed distance fields (SDFs) for geometries of different classes, and each SDF is conditioned on a latent vector. The zero-level-set of each SDF implicitly represents a generated geometry. Novel training strategies for the generator are introduced and include a new loss function which is tailored for sheet stamping applications. These strategies enable the differentiable generation of high quality, large scale component geometries with tight local features for the first time. The evaluator maps a 2D projection of these generated geometries to their post-stamping physical (e.g., strain) distributions. Manufacturing constraints are imposed based on these distributions and are used to formulate a novel objective function for optimisation. A new gradient-based optimisation technique is employed to iteratively update the latent vectors, and therefore geometries, to minimise this objective function and thus meet the manufacturing constraints. Case studies based on optimising box geometries subject to a sheet thinning constraint for a hot stamping process are presented and discussed. The results show that expressive geometric changes are achievable, and that these changes are driven by stamping performance.
• Abstract（参考訳）: 最新のシートプレス加工は, 剛性と重量比が高い複雑な形状構造部品の効率的な製造を可能にするが, 欠陥を生じさせる可能性がある。 スタンプ処理のためのコンポーネント設計を支援するため,本論文では,3次元コンポーネントジオメトリを最適化する新しいディープラーニングプラットフォームを提案する。 このプラットフォームは、複数の幾何パラメータ化スキーマから任意のジオメトリを最適化できる非パラメトリックモデリングアプローチを採用している。 このアプローチは、2つのニューラルネットワークの相互作用を特徴とする。 1)幾何発生器及び 2)製造性能評価装置。 生成器は、異なるクラスのジオメトリに対する連続3次元符号付き距離場(sdfs)を予測し、各sdfは潜在ベクトル上で条件付けされる。 各SDFのゼロレベル集合は、暗黙的に生成された幾何を表す。 新規な生成器のトレーニング戦略を導入し、シートスタンプアプリケーション用に調整された新しい損失関数を含む。 これらの戦略は、局所的な特徴が密接な高品質で大規模なコンポーネントのジオメトリーを、初めて微分可能な生成を可能にする。 エバリュエータは、これらの生成したジオメトリの2次元射影を、サンプリング後の物理的(例えばひずみ)分布にマッピングする。 これらの分布に基づいて製造制約を課し、最適化のための新しい目的関数を定式化する。 新しい勾配に基づく最適化手法を用いて、潜伏ベクトル、すなわちジオメトリーを反復的に更新し、この目的関数を最小化し、製造制約を満たす。 熱間プレス加工における板薄化制約を受ける最適化ボックスジオメトリに基づくケーススタディを提示・検討した。 その結果,表現的幾何変化は達成可能であり,これらの変化は切削性能によって引き起こされることがわかった。

関連論文リスト

• Shrinking: Reconstruction of Parameterized Surfaces from Signed Distance Fields [2.1638817206926855]
  符号付き距離場(SDF)から明示的パラメータ化曲面を再構成する新しい手法を提案する。 本手法では, パラメータ化初期球面を対象のSDF形状に適合させ, 微分可能性と表面パラメータ化を連続的に保持する。 これにより、テクスチャマッピング、幾何学処理、アニメーション、有限要素解析などの下流アプリケーションが可能になる。
  論文  参考訳（メタデータ） (2024-10-04T03:39:15Z)
• 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
  Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。 PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。 我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
  論文  参考訳（メタデータ） (2024-07-15T08:50:02Z)
• Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design [38.00713966087315]
  本研究では,代用/分別モデルのトレーニングに供される幾何データを強化するための物理インフォームド幾何演算子(GO)のセットを提案する。 GOは形状の微分的および積分的性質を利用して、高レベルの固有幾何学的情報と物理を訓練に使用する特徴ベクトルに注入する。
  論文  参考訳（メタデータ） (2024-07-10T12:50:43Z)
• Deep Learning Assisted Optimization for 3D Reconstruction from Single 2D Line Drawings [13.532686360047574]
  本稿では,3次元物体の幾何学的実体間の対関係を検出するために,ディープニューラルネットワークを訓練することを提案する。 CADモデルの大規模なデータセット実験により、幾何学的制約解決パイプラインにおけるディープラーニングを活用することにより、最適化に基づく3D再構成の成功率を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2022-09-06T17:59:11Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Automated LoD-2 Model Reconstruction from Very-HighResolution Satellite-derived Digital Surface Model and Orthophoto [1.2691047660244335]
  本稿では,LoD-2ビルディングモデルを「分解最適化最適化」パラダイムに従って再構成するモデル駆動手法を提案する。 提案手法は,既存の手法に対するいくつかの技術的問題点に対処し,その有効性を実証した。
  論文  参考訳（メタデータ） (2021-09-08T19:03:09Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。