論文の概要: Surrogate Modeling of Melt Pool Thermal Field using Deep Learning
- arxiv url: http://arxiv.org/abs/2207.12259v1
- Date: Mon, 25 Jul 2022 15:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:24:18.719958
- Title: Surrogate Modeling of Melt Pool Thermal Field using Deep Learning
- Title(参考訳): 深層学習を用いた溶融プール熱場のサーロゲートモデリング
- Authors: AmirPouya Hemmasian, Francis Ogoke, Parand Akbari, Jonathan Malen,
Jack Beuth, Amir Barati Farimani
- Abstract要約: 我々は,レーザーパワー,レーザー速度,時間ステップという3つのパラメータを入力として,溶融プールの3次元熱場の挙動を予測できる畳み込みニューラルネットワークを訓練する。
このネットワークは、温度場に対して相対的なルート平均正方形誤差を2%から3%とし、融解プール面積の予測において平均80%から90%のユニオンスコアに対するインターセクションを達成している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Powder-based additive manufacturing has transformed the manufacturing
industry over the last decade. In Laser Powder Bed Fusion, a specific part is
built in an iterative manner in which two-dimensional cross-sections are formed
on top of each other by melting and fusing the proper areas of the powder bed.
In this process, the behavior of the melt pool and its thermal field has a very
important role in predicting the quality of the manufactured part and its
possible defects. However, the simulation of such a complex phenomenon is
usually very time-consuming and requires huge computational resources. Flow-3D
is one of the software packages capable of executing such simulations using
iterative numerical solvers. In this work, we create three datasets of
single-trail processes using Flow-3D and use them to train a convolutional
neural network capable of predicting the behavior of the three-dimensional
thermal field of the melt pool solely by taking three parameters as input:
laser power, laser velocity, and time step. The CNN achieves a relative Root
Mean Squared Error of 2% to 3% for the temperature field and an average
Intersection over Union score of 80% to 90% in predicting the melt pool area.
Moreover, since time is included as one of the inputs of the model, the thermal
field can be instantly obtained for any arbitrary time step without the need to
iterate and compute all the steps
- Abstract(参考訳): 粉末ベースの添加物製造は過去10年間で製造業に変化をもたらした。
レーザー粉体融合では、粉体層の適切な領域を融解し、融合させることにより、2次元の断面を互いに上に形成する反復的に特定部を構築する。
このプロセスでは, 溶融プールとその熱場の挙動は, 製造部の品質と潜在的な欠陥を予測する上で非常に重要な役割を担っている。
しかし、そのような複雑な現象のシミュレーションは通常非常に時間がかかり、膨大な計算資源を必要とする。
flow-3dは反復数値解法を用いてこのようなシミュレーションを実行できるソフトウェアパッケージの1つである。
本研究では,flow-3dを用いた単線プロセスの3つのデータセットを作成し,レーザーパワー,レーザー速度,時間ステップの3つのパラメータを入力として,メルトプールの3次元熱場の挙動を予測可能な畳み込みニューラルネットワークを訓練する。
cnnは、温度場の相対根平均二乗誤差を2%〜3%とし、融体プール面積の予測において、結合スコアを80%〜90%の平均交点とする。
また、時間はそのモデルの入力の1つとして含まれるので、全てのステップを反復して計算することなく任意の時間ステップで熱場を即座に得ることができる。
関連論文リスト
- Inexpensive High Fidelity Melt Pool Models in Additive Manufacturing
Using Generative Deep Diffusion [40.80426609561942]
レーザー粉末層融合(L-PBF)の欠陥は、しばしば溶融プールとして知られるレーザー近傍の溶融合金のメソスケールのダイナミクスによって生じる。
本研究では,確率的拡散フレームワークに基づく生成的深層学習モデルを構築し,低忠実度,粗粒度シミュレーション情報を高忠実度にマッピングする。
論文 参考訳(メタデータ) (2023-11-15T19:37:20Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳(メタデータ) (2023-06-23T07:53:09Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳(メタデータ) (2022-02-26T12:39:19Z) - Deep learning for surrogate modelling of 2D mantle convection [1.7499351967216341]
深層学習技術は偏微分方程式のパラメータ化サロゲートを安定に生成できることを示す。
まず、畳み込みオートエンコーダを用いて温度場を142倍圧縮する。
次に、FNNおよび長寿命メモリネットワーク(LSTM)を用いて、圧縮されたフィールドを予測する。
論文 参考訳(メタデータ) (2021-08-23T12:13:04Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳(メタデータ) (2021-07-01T01:02:17Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳(メタデータ) (2021-06-01T08:46:04Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳(メタデータ) (2021-04-30T02:15:01Z) - A Machine Learning Framework for Real-time Inverse Modeling and
Multi-objective Process Optimization of Composites for Active Manufacturing
Control [0.0]
リアルタイムに空気温度サイクルを最適化できる新しい機械学習(ML)フレームワークを提示する。
このフレームワークは、2つのリカレントニューラルネットワーク(NN)で構成されており、300シミュレーション/秒の速度で不正な計算問題の逆モデリングを行う。
論文 参考訳(メタデータ) (2021-04-22T22:54:36Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z)
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。