論文の概要: MechProNet: Machine Learning Prediction of Mechanical Properties in Metal Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2209.12605v2
- Date: Mon, 18 Mar 2024 01:32:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 06:58:04.378024
- Title: MechProNet: Machine Learning Prediction of Mechanical Properties in Metal Additive Manufacturing
- Title（参考訳）: MechProNet: 金属添加物製造における機械的特性の機械学習予測
- Authors: Parand Akbari, Masoud Zamani, Amir Mostafaei,
- Abstract要約: 本研究では,機械的特性予測のための機械学習モデルのベンチマークフレームワークを提案する。
様々な情報源から90以上のMAM記事やデータシートから実験データセットを収集した。
本フレームワークは,MAMに特有の物理認識の成果化,調整可能なMLモデル,調整された評価指標を含む。
- 参考スコア（独自算出の注目度）: 0.5937280131734116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting mechanical properties in metal additive manufacturing (MAM) is essential for ensuring the performance and reliability of printed parts, as well as their suitability for specific applications. However, conducting experiments to estimate mechanical properties in MAM processes can be laborious and expensive, and they are often limited to specific materials and processes. Machine learning (ML) methods offer a more flexible and cost-effective approach to predicting mechanical properties based on processing parameters and material properties. In this study, we introduce a comprehensive framework for benchmarking ML models for predicting mechanical properties. We compiled an extensive experimental dataset from over 90 MAM articles and data sheets from a diverse range of sources, encompassing 140 different MAM data sheets. This dataset includes information on MAM processing conditions, machines, materials, and resulting mechanical properties such as yield strength, ultimate tensile strength, elastic modulus, elongation, hardness, and surface roughness. Our framework incorporates physics-aware featurization specific to MAM, adjustable ML models, and tailored evaluation metrics to construct a comprehensive learning framework for predicting mechanical properties. Additionally, we explore the Explainable AI method, specifically SHAP analysis, to elucidate and interpret the predicted values of ML models for mechanical properties. Furthermore, data-driven explicit models were developed to estimate mechanical properties based on processing parameters and material properties, offering enhanced interpretability compared to conventional 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、印刷部品の性能と信頼性を確保するとともに、特定の用途に適合するために不可欠である。
しかし、MAMプロセスの機械的特性を推定する実験は手間がかかり高価であり、しばしば特定の材料やプロセスに限られる。
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特性を予測するための、より柔軟で費用効率の良いアプローチを提供する。
本研究では,機械的特性を予測するためのMLモデルをベンチマークするための包括的なフレームワークを提案する。
我々は,多種多様な資料から90以上のMAM記事およびデータシートから,140種類のMAMデータシートを含む広範な実験データセットを収集した。
このデータセットは、MAM処理条件、機械、材料、および、降伏強度、究極の引張強さ、弾性率、伸長、硬さ、表面粗さなどの機械的特性に関する情報を含む。
本フレームワークは,機械的特性を予測するための総合的な学習フレームワークを構築するために,MAMに特有な物理認識処理,調整可能なMLモデル,および調整された評価指標を組み込んだ。
さらに、機械的特性に対するMLモデルの予測値の解明と解釈を行うための説明可能なAI手法、特にSHAP解析について検討する。
さらに,データ駆動型明示モデルを開発し,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,従来のMLモデルと比較して高い解釈性を示した。
関連論文リスト
- 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) - A Mechanistic Interpretation of Arithmetic Reasoning in Language Models
using Causal Mediation Analysis [128.0532113800092]
算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。
これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
論文 参考訳（メタデータ） (2023-05-24T11:43:47Z) - 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。