論文の概要: Computational Discovery of Energy-Efficient Heat Treatment for
Microstructure Design using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2209.11259v1
- Date: Thu, 22 Sep 2022 18:07:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 17:25:53.307900
- Title: Computational Discovery of Energy-Efficient Heat Treatment for
Microstructure Design using Deep Reinforcement Learning
- Title（参考訳）: 深層強化学習による組織設計のためのエネルギー効率の高い熱処理の計算的発見
- Authors: Jaber R. Mianroodi, Nima H. Siboni, Dierk Raabe
- Abstract要約: Deep Reinforcement Learning (DRL) は、自律的に最適化され、カスタマイズされた熱処理プロセスを開発するために使用される。
DRLはデータのみからの静的ニューラルネットワークトレーニングに頼るのではなく、学習エージェントが自律的に最適なソリューションを開発する。
- 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: Deep Reinforcement Learning (DRL) is employed to develop autonomously
optimized and custom-designed heat-treatment processes that are both,
microstructure-sensitive and energy efficient. Different from conventional
supervised machine learning, DRL does not rely on static neural network
training from data alone, but a learning agent autonomously develops optimal
solutions, based on reward and penalty elements, with reduced or no
supervision. In our approach, a temperature-dependent Allen-Cahn model for
phase transformation is used as the environment for the DRL agent, serving as
the model world in which it gains experience and takes autonomous decisions.
The agent of the DRL algorithm is controlling the temperature of the system, as
a model furnace for heat-treatment of alloys. Microstructure goals are defined
for the agent based on the desired microstructure of the phases. After
training, the agent can generate temperature-time profiles for a variety of
initial microstructure states to reach the final desired microstructure state.
The agent's performance and the physical meaning of the heat-treatment profiles
generated are investigated in detail. In particular, the agent is capable of
controlling the temperature to reach the desired microstructure starting from a
variety of initial conditions. This capability of the agent in handling a
variety of conditions paves the way for using such an approach also for
recycling-oriented heat treatment process design where the initial composition
can vary from batch to batch, due to impurity intrusion, and also for the
design of energy-efficient heat treatments. For testing this hypothesis, an
agent without penalty on the total consumed energy is compared with one that
considers energy costs. The energy cost penalty is imposed as an additional
criterion on the agent for finding the optimal temperature-time profile.
- Abstract（参考訳）: 深層強化学習(drl)は、構造に敏感でエネルギー効率のよい、自律的に最適化された独自の熱処理プロセスを開発するために用いられる。
従来の教師付き機械学習とは異なり、DRLはデータのみからの静的ニューラルネットワークトレーニングを頼らず、学習エージェントは報酬とペナルティ要素に基づいた最適なソリューションを自律的に開発する。
本手法では,drlエージェントの環境として温度依存性のアレン・カーン・モデルを用い,経験を積んで自律的な意思決定を行うモデル・ワールドとして機能する。
DRLアルゴリズムのエージェントは、合金の熱処理のモデル炉としてシステムの温度を制御している。
相の所望の微細構造に基づいて, 組織目標を定義する。
トレーニング後、エージェントは様々な初期ミクロ構造状態の温度時間プロファイルを生成し、最終的な望まれるミクロ構造状態に達する。
生成した熱処理プロファイルの性能と物理的意味について詳細に検討する。
特に、様々な初期条件から所望の微細構造に達する温度を制御することができる。
種々の条件に対処するエージェントのこの能力は、初期組成がバッチからバッチに変化しうるリサイクル指向の熱処理プロセス設計や、エネルギー効率の高い熱処理の設計にも利用することができる。
この仮説をテストするために、総消費エネルギーに対するペナルティのないエージェントは、エネルギーコストを考えるエージェントと比較される。
最適な温度時間プロファイルを求めるための追加基準として、エネルギーコストペナルティが課される。
関連論文リスト
- Towards a Digital Twin Framework in Additive Manufacturing: Machine
Learning and Bayesian Optimization for Time Series Process Optimization [10.469801991143546]
レーザー指向エネルギー堆積(DED)は、複雑なジオメトリーと材料グレーディングを作るための添加性製造(AM)の利点を提供する。
鍵となる問題は、DED中の熱蓄積であり、それは材料のミクロ構造と性質に影響を与える。
本稿では、DEDプロセスパラメータをリアルタイムに予測制御し、特定の設計目的を満たすためのデジタルツイン(DT)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-27T17:53:13Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - DeepForge: Leveraging AI for Microstructural Control in Metal Forming
via Model Predictive Control [0.0]
本研究では, 閉鎖型熱間鍛造における組織制御手法を提案する。
Model PredictiveCMPとDeepForgeというマシンを組み合わせる。
論文 参考訳（メタデータ） (2024-02-25T15:37:14Z) - Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳（メタデータ） (2023-12-01T05:38:17Z) - Application of Zone Method based Physics-Informed Neural Networks in
Reheating Furnaces [25.031487600209346]
ファウンデーション・インダストリーズ(FIs)はガラス、金属、セメント、セラミックス、バルク化学、紙、鋼などを構成する。
FIの製造チェーン内の再加熱炉はエネルギー集約的である。
再加熱炉の地下温度の正確なリアルタイム予測は、全体の加熱時間を短縮する可能性がある。
本稿では,新しいエネルギーベース正規化器を用いた物理知識を取り入れた物理インフォームドニューラルネットワーク(PINN)を提案する。
論文 参考訳（メタデータ） (2023-08-30T15:26:35Z) - Reduced Order Modeling of a MOOSE-based Advanced Manufacturing Model
with Operator Learning [2.517043342442487]
先進的製造(AM)は、核材料への潜在的な応用について、原子力コミュニティに多大な関心を集めている。
1つの課題は、実行時に製造プロセスを制御することによって、望ましい材料特性を得ることである。
深部強化学習(DRL)に基づくインテリジェントAMは、最適な設計変数を生成するためのプロセスレベルの自動制御機構に依存している。
論文 参考訳（メタデータ） (2023-08-18T17:38:00Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳（メタデータ） (2023-07-07T13:48:50Z) - Residual fourier neural operator for thermochemical curing of composites [9.236600710244478]
本稿では,Residual Fourier Neural Operator (ResFNO)を提案する。
ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
論文 参考訳（メタデータ） (2021-11-15T14:28:11Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳（メタデータ） (2020-12-16T12:58:08Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。