論文の概要: Concurrent build direction, part segmentation, and topology optimization
for additive manufacturing using neural networks
- arxiv url: http://arxiv.org/abs/2210.01315v1
- Date: Tue, 4 Oct 2022 02:17:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 14:52:34.390450
- Title: Concurrent build direction, part segmentation, and topology optimization
for additive manufacturing using neural networks
- Title（参考訳）: ニューラルネットワークを用いた添加物製造のための同時ビルド方向,部分セグメンテーション,トポロジー最適化
- Authors: Hongrui Chen, Aditya Joglekar, Kate S. Whitefoot, Levent Burak Kara
- Abstract要約: 本稿では,加法製造におけるサポート構造の利用を減らすことを目的としたトポロジー最適化のためのニューラルネットワークアプローチを提案する。
本手法では,(1)部分分割,(2)各部分のトポロジ,(3)各部分のビルド方向の同時決定が可能なネットワークアーキテクチャを用いる。
- 参考スコア（独自算出の注目度）: 2.2911466677853065
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose a neural network-based approach to topology optimization that aims
to reduce the use of support structures in additive manufacturing. Our approach
uses a network architecture that allows the simultaneous determination of an
optimized: (1) part segmentation, (2) the topology of each part, and (3) the
build direction of each part that collectively minimize the amount of support
structure. Through training, the network learns a material density and segment
classification in the continuous 3D space. Given a problem domain with
prescribed load and displacement boundary conditions, the neural network takes
as input 3D coordinates of the voxelized domain as training samples and outputs
a continuous density field. Since the neural network for topology optimization
learns the density distribution field, analytical solutions to the density
gradient can be obtained from the input-output relationship of the neural
network. We demonstrate our approach on several compliance minimization
problems with volume fraction constraints, where support volume minimization is
added as an additional criterion to the objective function. We show that
simultaneous optimization of part segmentation along with the topology and
print angle optimization further reduces the support structure, compared to a
combined print angle and topology optimization without segmentation.
- Abstract（参考訳）: 本稿では,加法製造におけるサポート構造の利用を減らすことを目的としたトポロジー最適化のためのニューラルネットワークアプローチを提案する。
提案手法では,(1)部分分割,(2)各部分のトポロジ,(3)各部分のビルド方向の同時決定を可能にするネットワークアーキテクチャを用いる。
トレーニングを通じて、ネットワークは連続した3d空間で物質密度とセグメントの分類を学ぶ。
所定の負荷及び変位境界条件を有する問題領域が与えられると、ニューラルネットワークは、ボクセル化領域の入力3d座標をトレーニングサンプルとし、連続密度場を出力する。
トポロジー最適化のためのニューラルネットワークは密度分布場を学習するので、ニューラルネットワークの入出力関係から密度勾配に対する解析解を得ることができる。
本稿では, ボリューム分数制約を伴うコンプライアンス最小化問題に対して, 目的関数に対する追加の基準として, サポートボリュームの最小化を加えた。
また,部分分割の同時最適化とトポロジーおよび印刷角度最適化は,セグメンテーションを伴わない印刷角度とトポロジー最適化の組合せと比較して,支持構造を更に低減することを示した。
関連論文リスト
- From Complexity to Clarity: Analytical Expressions of Deep Neural Network Weights via Clifford's Geometric Algebra and Convexity [54.01594785269913]
我々は,標準正規化損失のトレーニングにおいて,深部ReLUニューラルネットワークの最適重みがトレーニングサンプルのウェッジ積によって与えられることを示した。
トレーニング問題は、トレーニングデータセットの幾何学的構造をエンコードするウェッジ製品機能よりも凸最適化に還元される。
論文 参考訳（メタデータ） (2023-09-28T15:19:30Z) - Large-scale global optimization of ultra-high dimensional non-convex
landscapes based on generative neural networks [0.0]
超高次元最適化を行うアルゴリズムを提案する。
ディープ・ジェネレーティブ・ネットワークをベースとしています
提案手法は, 最先端のアルゴリズムと比較して, 機能評価が少なく, 性能がよいことを示す。
論文 参考訳（メタデータ） (2023-07-09T00:05:59Z) - Topology Optimization using Neural Networks with Conditioning Field
Initialization for Improved Efficiency [2.575019247624295]
我々は、未最適化領域の事前初期フィールドを使用することで、ニューラルネットワークに基づくトポロジ最適化の効率をさらに向上できることを示す。
我々は、最適化を通じてニューラルネットワークに入力される追加条件付けフィールドとして、初期設計領域で計算されたひずみエネルギー場を用いる。
論文 参考訳（メタデータ） (2023-05-17T07:42:24Z) - DMF-TONN: Direct Mesh-free Topology Optimization using Neural Networks [4.663709549795511]
本研究では、密度場近似ニューラルネットワークと変位場近似ニューラルネットワークを統合することで、トポロジ最適化を行うための直接メッシュフリー手法を提案する。
この直接積分手法は従来のトポロジ最適化手法に匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-05-06T18:04:51Z) - Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。
SGDは単純な解に偏りがあることが示される。
また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文 参考訳（メタデータ） (2021-11-03T15:14:20Z) - De-homogenization using Convolutional Neural Networks [1.0323063834827415]
本稿では,構造コンプライアンス最小化のための深層学習に基づく非均質化手法を提案する。
パラメータの適切な選択のために、非均質化設計は、均質化に基づく解の7-25%以内で実行される。
論文 参考訳（メタデータ） (2021-05-10T09:50:06Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳（メタデータ） (2021-04-06T18:52:45Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - The Hidden Convex Optimization Landscape of Two-Layer ReLU Neural
Networks: an Exact Characterization of the Optimal Solutions [51.60996023961886]
コーン制約のある凸最適化プログラムを解くことにより,グローバルな2層ReLUニューラルネットワークの探索が可能であることを示す。
我々の分析は新しく、全ての最適解を特徴づけ、最近、ニューラルネットワークのトレーニングを凸空間に持ち上げるために使われた双対性に基づく分析を活用できない。
論文 参考訳（メタデータ） (2020-06-10T15:38:30Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。