論文の概要: Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data
- arxiv url: http://arxiv.org/abs/2206.07756v1
- Date: Wed, 15 Jun 2022 18:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 15:52:25.916858
- Title: Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた添加物製造プロセスのハイブリッドフルフィールド熱特性評価
- Authors: Shuheng Liao, Tianju Xue, Jihoon Jeong, Samantha Webster, Kornel
Ehmann, Jian Cao
- Abstract要約: 我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。
その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
- 参考スコア（独自算出の注目度）: 5.653328302363391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the thermal behavior of additive manufacturing (AM) processes
is crucial for enhancing the quality control and enabling customized process
design. Most purely physics-based computational models suffer from intensive
computational costs, thus not suitable for online control and iterative design
application. Data-driven models taking advantage of the latest developed
computational tools can serve as a more efficient surrogate, but they are
usually trained over a large amount of simulation data and often fail to
effectively use small but high-quality experimental data. In this work, we
developed a hybrid physics-based data-driven thermal modeling approach of AM
processes using physics-informed neural networks. Specifically, partially
observed temperature data measured from an infrared camera is combined with the
physics laws to predict full-field temperature history and to discover unknown
material and process parameters. In the numerical and experimental examples,
the effectiveness of adding auxiliary training data and using the technique of
transfer learning on training efficiency and prediction accuracy, as well as
the ability to identify unknown parameters with partially observed data, are
demonstrated. The results show that the hybrid thermal model can effectively
identify unknown parameters and capture the full-field temperature accurately,
and thus it has the potential to be used in iterative process design and
real-time process control of AM.
- Abstract（参考訳）: 添加性製造(AM)プロセスの熱的挙動を理解することは品質管理の強化とカスタマイズプロセス設計の実現に不可欠である。
ほとんどの純粋物理学ベースの計算モデルは集中計算コストに苦しむため、オンライン制御や反復設計には適していない。
最新の計算ツールを利用するデータ駆動モデルは、より効率的なサロゲートとして機能するが、通常は大量のシミュレーションデータに基づいて訓練され、小さなが高品質な実験データを効果的に利用できない。
本研究では,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
具体的には、赤外線カメラから測定された部分観測温度データを物理法則と組み合わせて、フルフィールド温度履歴を予測し、未知の物質やプロセスパラメータを発見する。
数値的および実験的な例では、補助訓練データの追加と、転送学習技術を用いた訓練効率と予測精度、および、部分的に観測されたデータで未知のパラメータを識別する能力について示す。
その結果, ハイブリッド熱モデルでは, 未知パラメータを効果的に同定し, フルフィールド温度を正確に把握し, AMの反復的プロセス設計やリアルタイムプロセス制御に応用できる可能性が示唆された。
関連論文リスト
- AFSD-Physics: Exploring the governing equations of temperature evolution
during additive friction stir deposition by a human-AI teaming approach [0.0]
AFSDは、溶かさずに材料を堆積する新しい固体添加物製造技術である。
第一原理に基づくモデルとAIを組み合わせるために、人間とAIのチーム化アプローチが提案されている。
AFSD-Physicsと呼ばれる結果の人間情報機械学習は、ツールの温度変化の制御方程式を効果的に学習することができる。
論文 参考訳（メタデータ） (2024-01-29T19:17:42Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - A machine learning approach to the prediction of heat-transfer
coefficients in micro-channels [4.724825031148412]
2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。
マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
論文 参考訳（メタデータ） (2023-05-28T15:48:01Z) - Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network [8.98674326282801]
本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。
低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。
物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
論文 参考訳（メタデータ） (2023-01-17T03:13:45Z) - Physics-constrained deep learning postprocessing of temperature and
humidity [0.0]
深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。
熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
論文 参考訳（メタデータ） (2022-12-07T09:31:25Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z) - Data-Driven Permanent Magnet Temperature Estimation in Synchronous
Motors with Supervised Machine Learning [0.0]
自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。
過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。
いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
論文 参考訳（メタデータ） (2020-01-17T11:41:02Z)
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。