論文の概要: Physics-Informed Bayesian Learning of Electrohydrodynamic Polymer Jet Printing Dynamics

• arxiv url: http://arxiv.org/abs/2204.09513v1
• Date: Sat, 16 Apr 2022 03:29:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 15:40:20.697408
• Title: Physics-Informed Bayesian Learning of Electrohydrodynamic Polymer Jet Printing Dynamics
• Title（参考訳）: 電気流体力学高分子ジェット印刷ダイナミクスの物理インフォームドベイズ学習
• Authors: Athanasios Oikonomou (1 and 4 and 7), Theodoros Loutas (1), Dixia Fan (2), Alysia Garmulewicz (3), George Nounesis (4), Santanu Chaudhuri (5 and 6) and Filippos Tourlomousis (4 and 7 and 8) ((1) Mechanical Engineering, University of Patras, Patras, Greece, (2) Westlake University, Hangzhou, China, (3) Faculty of Economics and Administration, University of Santiago, Chile, (4) National Centre for Scientific Research Demokritos, Agia Paraskevi, Attica, Greece, (5) Civil, Materials, and Environmental Engineering Department, University of Illinois at Chicago, IL, United States, (6) Argonne National Laboratory, Lemont, IL, United States, (7) Superlabs AMKE, Marousi, Attica, Greece, (8) Biological Lattice Industries Corp., Boston, MA, United States)
• Abstract要約: GPJetは、エンドツーエンドの物理インフォームドベイズ学習フレームワークである。 ビデオデータから高忠実度ジェットの特徴をリアルタイムで抽出することができる。 高速かつ低忠実なデータの機械学習モジュールに対するクローズドループの感覚フィードバックとして機能する。
• 参考スコア（独自算出の注目度）: 2.9641522758725016
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Calibration of highly dynamic multi-physics manufacturing processes such as electro-hydrodynamics-based additive manufacturing (AM) technologies (E-jet printing) is still performed by labor-intensive trial-and-error practices. These practices have hindered the broad adoption of these technologies, demanding a new paradigm of self-calibrating E-jet printing machines. To address this need, we developed GPJet, an end-to-end physics-informed Bayesian learning framework, and tested it on a virtual E-jet printing machine with in-process jet monitoring capabilities. GPJet consists of three modules: a) the Machine Vision module, b) the Physics-Based Modeling Module, and c) the Machine Learning (ML) module. We demonstrate that the Machine Vision module can extract high-fidelity jet features in real-time from video data using an automated parallelized computer vision workflow. In addition, we show that the Machine Vision module, combined with the Physics-based modeling module, can act as closed-loop sensory feedback to the Machine Learning module of high- and low-fidelity data. Powered by our data-centric approach, we demonstrate that the online ML planner can actively learn the jet process dynamics using video and physics with minimum experimental cost. GPJet brings us one step closer to realizing the vision of intelligent AM machines that can efficiently search complex process-structure-property landscapes and create optimized material solutions for a wide range of applications at a fraction of the cost and speed.
• Abstract（参考訳）: 電気流体力学に基づく添加物製造(am)技術(e-jet printing)などの高ダイナミックなマルチフィジカル製造プロセスのキャリブレーションは、依然として労働集約的な試行とエラーのプラクティスによって行われている。 これらのプラクティスはこれらの技術の普及を妨げ、自己校正型Eジェット印刷機の新たなパラダイムを必要とした。 このニーズに対処するため、我々はエンドツーエンドの物理インフォームドベイズ学習フレームワークであるGPJetを開発し、プロセス内ジェット監視機能を備えた仮想Eジェット印刷機でテストした。 GPJetは3つのモジュールから構成される。 a) Machine Visionモジュール b)物理ベースのモデリングモジュール、及び c) 機械学習(ML)モジュール。 我々は,自動並列化コンピュータビジョンワークフローを用いて,映像データから高忠実度ジェット機能をリアルタイムに抽出できることを実証する。 さらに,Machine Visionモジュールと物理に基づくモデリングモジュールが組み合わさって,高・低忠実なデータの機械学習モジュールに対する閉ループ感覚フィードバックとして機能することを示す。 データ中心のアプローチによって、オンラインMLプランナーは、最小実験コストでビデオと物理を用いてジェットプロセスのダイナミクスを積極的に学習できることを示した。 GPJetは、複雑なプロセス-構造-プロパティのランドスケープを効率的に探索し、幅広いアプリケーションのための最適化されたマテリアルソリューションをコストとスピードのごく一部で作成できるインテリジェントAMマシンのビジョンの実現に一歩近づきます。

関連論文リスト

• A Supervised Machine-Learning Approach For Turboshaft Engine Dynamic Modeling Under Real Flight Conditions [0.0]
  本研究では、レオナルドのAW189P4プロトタイプのターボシャフトエンジンをモデル化するための異なるニューラルネットワークアーキテクチャについて検討する。 これらのモデルは、様々な操作を含む実飛行テストの広範なデータベースで訓練されている。 ニューラルネットワークのアプローチを補完するために,SINDy(Sparse Identification of Dynamics)を用いて低次元力学モデルを導出する。
  論文  参考訳（メタデータ） (2025-02-19T21:45:53Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)
• Performance and Power: Systematic Evaluation of AI Workloads on Accelerators with CARAML [0.0]
  CARAMLベンチマークスイートは、大規模言語モデルとコンピュータビジョンモデルのトレーニング中のパフォーマンスとエネルギー消費を評価するために使用される。 CarAMLは、MLワークロードのパフォーマンスとエネルギを評価するための、コンパクトで、自動化され、再現可能なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-09-19T12:43:18Z)
• Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems [0.0]
  物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
  論文  参考訳（メタデータ） (2023-06-24T05:24:48Z)
• A framework for fully autonomous design of materials via multiobjective optimization and active learning: challenges and next steps [2.6047112351202784]
  継続的に更新された機械学習モデルを用いた多目的ブラックボックス最適化に基づくアクティブな学習プロセスを提案する。 このワークフローは、リアルタイムデータストリーミングとモジュール化された多目的最適化ソフトウェア開発のためのオープンソース技術に基づいて構築されている。 本研究では, 連続流化学実験室の自律運転を通して, このワークフローの概念実証を行う。
  論文  参考訳（メタデータ） (2023-04-15T01:34:16Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Integrating Machine Learning with Physics-Based Modeling [17.392391163553334]
  この記事では、幅広い関心事の1つに焦点を当てる。 機械学習と物理に基づくモデリングをどのように統合できるのか? 機械学習に基づく物理モデルを開発する上で最も重要な2つの課題について論じる。 最終的には、この統合がどこに導くのか、そして機械学習が科学的モデリングにうまく統合された後、新たなフロンティアがどこにあるのか、という一般的な議論で終わります。
  論文  参考訳（メタデータ） (2020-06-04T02:35:10Z)

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。