論文の概要: Mechanical Properties Prediction in Metal Additive Manufacturing Using Machine Learning

• arxiv url: http://arxiv.org/abs/2209.12605v1
• Date: Sun, 21 Aug 2022 20:50:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 07:22:03.585600
• Title: Mechanical Properties Prediction in Metal Additive Manufacturing Using Machine Learning
• Title（参考訳）: 機械学習を用いた金属添加物製造における機械的特性予測
• Authors: Parand Akbari and Ning-Yu Kao and Amir Barati Farimani
• Abstract要約: この研究は、機械的特性のための機械学習をベンチマークするためのフレームワークを導入する。 実験データセットは90以上のMAM記事と140以上のMAM企業のデータシートから収集される。 機械的特性に対するMLモデルの予測値を説明・解釈するために、説明可能なAI手法、すなわちSHAP分析を検討した。
• 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: Predicting mechanical properties in metal additive manufacturing (MAM) is vital to ensure the printed parts' performance, reliability, and whether they can fulfill requirements for a specific application. Conducting experiments to estimate mechanical properties in MAM processes, however, is a laborious and expensive task. Also, they can solely be designed for a particular material in a certain MAM process. Nonetheless, Machine learning (ML) methods, which are more flexible and cost-effective solutions, can be utilized to predict mechanical properties based on the processing parameters and material properties. To this end, in this work, a comprehensive framework for benchmarking ML for mechanical properties is introduced. An extensive experimental dataset is collected from more than 90 MAM articles and 140 MAM companies' data sheets containing MAM processing conditions, machines, materials, and resultant mechanical properties, including yield strength, ultimate tensile strength, elastic modulus, elongation, hardness as well as surface roughness. Physics-aware MAM featurization, adjustable ML models, and evaluation metrics are proposed to construct a comprehensive learning framework for mechanical properties prediction. Additionally, the Explainable AI method, i.e., SHAP analysis was studied to explain and interpret the ML models' predicted values for mechanical properties. Moreover, data-driven explicit models have been identified to estimate mechanical properties based on the processing parameters and material properties with more interpretability as compared to the employed ML models.
• Abstract（参考訳）: 金属添加物製造(MAM)における機械的特性の予測は、印刷部品の性能、信頼性、および特定の用途の要求を満たすことができるかどうかを保証するために不可欠である。 しかし、MAMプロセスにおける機械的特性を推定する実験は、退屈で高価な作業である。 また、特定のMAMプロセスで特定の材料のためにのみ設計することができる。 それでも、より柔軟でコスト効率のよい機械学習(ML)手法は、処理パラメータと材料特性に基づいて機械的特性を予測するために利用することができる。 そこで本研究では,機械特性のmlベンチマークを行うための包括的フレームワークを提案する。 MAM処理条件、機械、材料、および結果として生じる機械的特性を含む90以上のMAM記事および140以上のMAM企業のデータシートから、降伏強度、究極の引張強度、弾性率、伸長、硬さ、表面粗さを含む広範な実験データセットを収集する。 機械的特性予測のための総合的な学習フレームワークを構築するために,物理認識型MAMデファチュアライゼーション,調整可能なMLモデル,評価指標を提案する。 さらに、機械的特性に対するMLモデルの予測値の説明と解釈のために、説明可能なAI手法、すなわちSHAP分析を検討した。 さらに,データ駆動型明示モデルを用いて,機械学習モデルと比較して,処理パラメータと材料特性に基づいて機械的特性を推定した。

関連論文リスト

• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• Biomimetic Machine Learning approach for prediction of mechanical properties of Additive Friction Stir Deposited Aluminum alloys based walled structures [0.0]
  本研究は, バイオミメティック・機械学習を用いてAFSD(Additive Friction Stir deposited)アルミニウム合金壁構造の機械的特性を予測する新しい手法を提案する。 この研究は、AFSDプロセスの数値モデリングと遺伝的アルゴリズム最適化機械学習モデルを組み合わせて、von Misesストレスと対数ひずみを予測する。
  論文  参考訳（メタデータ） (2024-08-05T13:27:54Z)
• SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
  特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。 本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。 データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
  論文  参考訳（メタデータ） (2024-07-11T08:12:46Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• A hybrid machine learning framework for clad characteristics prediction in metal additive manufacturing [0.0]
  金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。 MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。 機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
  論文  参考訳（メタデータ） (2023-07-04T18:32:41Z)
• Automatically Predict Material Properties with Microscopic Image Example Polymer Compatibility [94.40113383292139]
  機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。 畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。 提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
  論文  参考訳（メタデータ） (2023-03-22T07:51:32Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• A Machine Learning Method for Material Property Prediction: Example Polymer Compatibility [39.364776649251944]
  材料特性予測のための新しい汎用機械学習手法を提案する。 代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。
  論文  参考訳（メタデータ） (2022-02-28T05:48:05Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• 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)

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。