論文の概要: Image-based Artificial Intelligence empowered surrogate model and shape
morpher for real-time blank shape optimisation in the hot stamping process
- arxiv url: http://arxiv.org/abs/2212.05885v1
- Date: Thu, 1 Dec 2022 20:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 18:48:56.349931
- Title: Image-based Artificial Intelligence empowered surrogate model and shape
morpher for real-time blank shape optimisation in the hot stamping process
- Title(参考訳): 熱間プレス加工におけるリアルタイムブランク形状最適化のための画像ベース人工知能エンパワードサーロゲートモデルと形状モルファ
- Authors: Haosu Zhou, and Nan Li
- Abstract要約: 本研究は,画像に基づく人工インテリジェンスを用いたサロゲートモデリング (IAISM) 手法の開発である。
IAISMは任意の空白形状を与えられた as-formed コンポーネントの完全な薄めフィールドを予測するために訓練される。
高精度で汎用的なサロゲートモデリングおよび最適化ツールとして、提案されたパイプラインは、フルチェーンのデジタルツインに統合されることを約束している。
- 参考スコア(独自算出の注目度): 3.264571107058741
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the complexity of modern manufacturing technologies increases, traditional
trial-and-error design, which requires iterative and expensive simulations,
becomes unreliable and time-consuming. This difficulty is especially
significant for the design of hot-stamped safety-critical components, such as
ultra-high-strength-steel (UHSS) B-pillars. To reduce design costs and ensure
manufacturability, scalar-based Artificial-Intelligence-empowered surrogate
modelling (SAISM) has been investigated and implemented, which can allow
real-time manufacturability-constrained structural design optimisation.
However, SAISM suffers from low accuracy and generalisability, and usually
requires a high volume of training samples. To solve this problem, an
image-based Artificial-intelligence-empowered surrogate modelling (IAISM)
approach is developed in this research, in combination with an
auto-decoder-based blank shape generator. The IAISM, which is based on a
Mask-Res-SE-U-Net architecture, is trained to predict the full thinning field
of the as-formed component given an arbitrary blank shape. Excellent prediction
performance of IAISM is achieved with only 256 training samples, which
indicates the small-data learning nature of engineering AI tasks using
structured data representations. The trained auto-decoder, trained
Mask-Res-SE-U-Net, and Adam optimiser are integrated to conduct blank
optimisation by modifying the latent vector. The optimiser can rapidly find
blank shapes that satisfy manufacturability criteria. As a high-accuracy and
generalisable surrogate modelling and optimisation tool, the proposed pipeline
is promising to be integrated into a full-chain digital twin to conduct
real-time, multi-objective design optimisation.
- Abstract(参考訳): 現代の製造技術の複雑さが増すにつれて、反復的で高価なシミュレーションを必要とする伝統的な試行錯誤設計は信頼できなくなり、時間がかかる。
この難しさは、超高強度鋼(UHSS)Bピラーなど、ホットスタンプの安全クリティカルな部品の設計において特に重要である。
設計コストを低減し,製造性を確保するため,スカラーベースの人工人工知能を用いたサロゲートモデリング (SAISM) を研究開発し,実装した。
しかし、SAISMは低い精度と一般性に悩まされ、通常大量のトレーニングサンプルを必要とする。
そこで本研究では, 自動デコーダ型ブランク形状生成器と組み合わせたイメージベースaim(artificial-intelligence-empowered surrogate modelling)手法を提案する。
IAISMは、Mask-Res-SE-U-Netアーキテクチャに基づいており、任意の空白形状のas-formedコンポーネントの完全な薄めフィールドを予測するために訓練されている。
IAISMの優れた予測性能は256のトレーニングサンプルで達成され、構造化データ表現を用いたエンジニアリングAIタスクの小さな学習特性を示す。
トレーニングされたオートデコーダ、トレーニングされたMask-Res-SE-U-Net、およびAdam optimiserは、潜在ベクトルを変更することによって空白最適化を行う。
オプティマイザは、製造性基準を満たす空白形状を迅速に見つけることができる。
高精度で汎用的なサロゲートモデリングおよび最適化ツールとして,提案パイプラインはリアルタイム多目的設計最適化を実現するために,フルチェーンディジタルツインに統合されることを約束している。
関連論文リスト
- Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳(メタデータ) (2024-10-31T07:28:22Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳(メタデータ) (2024-03-26T16:33:12Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - FreeREA: Training-Free Evolution-based Architecture Search [17.202375422110553]
FreeREAは、トレーニングなしメトリクスの最適化組み合わせを利用してアーキテクチャをランク付けする、独自のセルベースの進化NASアルゴリズムである。
本実験はNAS-Bench-101とNATS-Benchの共通ベンチマークを用いて,フリーレアがモデル自動設計のための高速で効率的かつ効果的な探索手法であることを実証した。
論文 参考訳(メタデータ) (2022-06-17T11:16:28Z) - Surrogate Modelling for Injection Molding Processes using Machine
Learning [0.23090185577016442]
射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。
モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。
我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
論文 参考訳(メタデータ) (2021-07-30T12:13:52Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-15T15:09:21Z) - An Image Enhancing Pattern-based Sparsity for Real-time Inference on
Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。
新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文 参考訳(メタデータ) (2020-01-20T16:17:36Z)
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。