論文の概要: Deep-Learned Generators of Porosity Distributions Produced During Metal Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2205.05794v1
• Date: Wed, 11 May 2022 22:39:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-13 14:17:58.061535
• Title: Deep-Learned Generators of Porosity Distributions Produced During Metal Additive Manufacturing
• Title（参考訳）: 金属添加物製造時に発生する気孔分布の深部学習発電機
• Authors: Francis Ogoke, Kyle Johnson, Michael Glinsky, Chris Laursen, Sharlotte Kramer, Amir Barati Farimani
• Abstract要約: レーザー粉末層融合法が金属添加物製造(AM)の広く普及した方法となった 合成多孔質組織の生成に関するこれまでの研究は、高密度等方性多孔体分布を持つ部品の生成に成功している。 本稿では,Mallat Scattering Transform-based autocorrelation法とジェネレーティブ・アドバイサル・ネットワークを組み合わせ,個々の細孔と表面粗さの新たな実現法を構築するための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）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Laser Powder Bed Fusion has become a widely adopted method for metal Additive Manufacturing (AM) due to its ability to mass produce complex parts with increased local control. However, AM produced parts can be subject to undesirable porosity, negatively influencing the properties of printed components. Thus, controlling porosity is integral for creating effective parts. A precise understanding of the porosity distribution is crucial for accurately simulating potential fatigue and failure zones. Previous research on generating synthetic porous microstructures have succeeded in generating parts with high density, isotropic porosity distributions but are often inapplicable to cases with sparser, boundary-dependent pore distributions. Our work bridges this gap by providing a method that considers these constraints by deconstructing the generation problem into its constitutive parts. A framework is introduced that combines Generative Adversarial Networks with Mallat Scattering Transform-based autocorrelation methods to construct novel realizations of the individual pore geometries and surface roughness, then stochastically reconstruct them to form realizations of a porous printed part. The generated parts are compared to the existing experimental porosity distributions based on statistical and dimensional metrics, such as nearest neighbor distances, pore volumes, pore anisotropies and scattering transform based auto-correlations.
• Abstract（参考訳）: レーザー粉末層融合法は, 局所制御を増強した複雑な部品を大量生産できるため, 金属添加物製造法として広く採用されている。 しかし、am生成部品は好ましくない細孔性を受け、印刷部品の特性に負の影響を及ぼす。 したがって、効果的部品を作成するには細孔の制御が不可欠である。 ポーロシティ分布の正確な理解は、潜在的な疲労と障害ゾーンを正確にシミュレートするために不可欠である。 合成多孔質組織の生成に関するこれまでの研究は、高密度の等方性多孔質分布を生成することに成功したが、しばしばスペーサー、境界依存性の細孔分布を持つ場合に適用できない。 我々の研究は、生成問題を構成部品に分解することで、これらの制約を考慮し、このギャップを埋める。 生成的逆境ネットワークとマラート散乱変換に基づく自己相関法を組み合わせて, 個々の細孔形状と表面粗さの新たな実現法を構築し, 確率的に再構成して多孔質印刷部を実現する枠組みを提案する。 生成した部品は, 近接距離, 細孔体積, 細孔異方性, 散乱変換に基づく自己相関などの統計的および次元的指標に基づいて, 既存のポロシティ分布と比較する。

関連論文リスト

• DDIL: Improved Diffusion Distillation With Imitation Learning [57.3467234269487]
  拡散モデルは生成モデリング(例:text-to-image)に優れるが、サンプリングには複数の遅延ネットワークパスが必要である。 プログレッシブ蒸留や一貫性蒸留は、パスの数を減らして将来性を示す。 DDILの一貫性は, プログレッシブ蒸留 (PD), 潜在整合モデル (LCM) および分散整合蒸留 (DMD2) のベースラインアルゴリズムにより向上することを示した。
  論文  参考訳（メタデータ） (2024-10-15T18:21:47Z)
• Estimating Pore Location of PBF-LB/M Processes with Segmentation Models [0.0]
  本稿では,ガウス核密度推定を用いて単一層内における位置を推定する多孔性局所化手法を提案する。 これにより、セグメンテーションモデルは、その場監視データと細孔発生の導出確率分布との相関を学習することができる。 以上の結果から,本手法は最小限のデータ前処理を必要とする細孔の正確な局所化を可能にすると結論付けた。
  論文  参考訳（メタデータ） (2024-08-05T14:31:09Z)
• Score-based generative models break the curse of dimensionality in learning a family of sub-Gaussian probability distributions [5.801621787540268]
  標準ガウス測度に対する相対密度の観点から確率分布の複雑性の概念を導入する。 パラメータが適切に有界なニューラルネットワークで対数相対密度を局所的に近似できるなら、経験的スコアマッチングによって生成された分布はターゲット分布を近似する。 本証明の重要な要素は,前処理に付随する真のスコア関数に対する次元自由深部ニューラルネットワーク近似率を導出することである。
  論文  参考訳（メタデータ） (2024-02-12T22:02:23Z)
• Compressing Image-to-Image Translation GANs Using Local Density Structures on Their Learned Manifold [69.33930972652594]
  GAN(Generative Adversarial Networks)は、画像から画像への変換のための複雑なデータ分散のモデル化において、顕著な成功を収めている。 既存のGAN圧縮法は主に知識蒸留や畳み込み分類器の刈り取り技術に依存している。 学習多様体上の元のパラメータ重モデルの密度構造を保存するために,プルーンドモデルを明示的に促すことにより,新しいアプローチを提案する。 画像変換GANモデルであるPix2PixとCycleGANについて,様々なベンチマークデータセットとアーキテクチャを用いて実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-22T15:43:12Z)
• Deep learning probability flows and entropy production rates in active matter [15.238808518078567]
  本研究では,高次元確率密度のスコアを推定するディープラーニングフレームワークを開発する。 スコアを表すために,空間的に局所的なトランスフォーマーネットワークアーキテクチャを導入する。 1つのパッキング分数で4096粒子の系で訓練された1つのネットワークが、位相図の他の領域に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-22T16:44:18Z)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
  拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。 事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。 このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
  論文  参考訳（メタデータ） (2022-11-01T08:18:07Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Stochastic modeling of non-linear adsorption with Gaussian kernel density estimators [2.7126936616742845]
  吸着は、製品製造や汚染修復など、多くの分野で関連するプロセスである。 我々は吸着シミュレーションのための化学拡散反応モデルを提案した。 提案モデルでは,ラングミュアとフレンドリッヒ等温線の非線形挙動特性を効果的に再現することができる。
  論文  参考訳（メタデータ） (2020-04-14T12:21:33Z)
• Max-Affine Spline Insights into Deep Generative Networks [8.579613053834342]
  我々は,GDN(Generative Deep Networks)の大規模なクラスをスプライン演算子と接続し,それらの特性,制限,新たな機会を導出する。 生成した多様体の潜在空間分割、次元、角度を特徴付けることにより、多様体次元と近似誤差とサンプルサイズを関連付ける。 生成多様体上の出力確率密度を潜在空間密度の観点から導出し、シャノンエントロピーのような重要な統計量の計算を可能にする。
  論文  参考訳（メタデータ） (2020-02-26T00:20:02Z)

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。