論文の概要: Deep-Learning Quantitative Structural Characterization in Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2302.06389v1
• Date: Fri, 20 Jan 2023 17:59:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 14:19:34.795851
• Title: Deep-Learning Quantitative Structural Characterization in Additive Manufacturing
• Title（参考訳）: 添加物製造における深層学習の定量的構造評価
• Authors: Amra Peles, Vincent C. Paquit, Ryan R. Dehoff
• Abstract要約: 本研究では, 添加物や部品のキー特性を構造解析する手法を開発した。 本手法は、画像から画像への変換条件付き生成逆ニューラルネットワークアーキテクチャに基づくディープラーニングを利用する。 本手法の拡張は,添加物製造のリアルタイム制御のために開発された機械学習モデルの人工知能実装に対処するために提案される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With a goal of accelerating fabrication of additively manufactured components with precise microstructures, we developed a method for structural characterization of key features in additively manufactured materials and parts. The method utilizes deep learning based on an image-to-image translation conditional Generative Adversarial Neural Network architecture and enables fast and incrementally more accurate predictions of the prevalent geometric features, including melt pool boundaries and printing induced defects visible in etched optical images. These structural details are heterogeneous in nature. Our method specifies the microstructure state of an additive built via statistical distribution of structural details, based on an ensemble of collected images. Extensions of the method are proposed to address Artificial Intelligence implementation of developed machine learning model for in real time control of additive manufacturing.
• Abstract（参考訳）: 精密な組織構造を有する添加物製造部品の製作を加速することを目的として, 添加物製造材料および部品の重要特性の構造解析手法を開発した。 この方法は、画像から画像への翻訳条件付き生成型ニューラルネットワークアーキテクチャに基づくディープラーニングを利用し、エッチングされた光学画像で見えるメルトプール境界や印刷による欠陥を含む、一般的な幾何学的特徴の迅速かつ段階的な予測を可能にする。 これらの構造的詳細は本質的に異質である。 本手法では, 収集した画像のアンサンブルに基づいて, 構造詳細の統計的分布を介して構築した添加物の微細構造を規定する。 本手法の拡張は,添加物製造のリアルタイム制御のために開発された機械学習モデルの人工知能実装に対処するために提案される。

関連論文リスト

• Add-it: Training-Free Object Insertion in Images With Pretrained Diffusion Models [78.90023746996302]
  Add-itは、拡散モデルの注意メカニズムを拡張して、3つの主要なソースからの情報を組み込む、トレーニング不要のアプローチである。 我々の重み付き拡張アテンション機構は、自然物の位置を確実にしながら、構造的一貫性と細部を維持できる。 人間の評価によると、Add-itは80%以上のケースで好まれる。
  論文  参考訳（メタデータ） (2024-11-11T18:50:09Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design [19.10106845551149]
  本研究は, 高精度CPSP関係を確立するために, 真の微細構造情報を統合する改良された合金設計アルゴリズムを提案する。 このアプローチでは、変分オートエンコーダに基づくディープラーニングフレームワークを使用して、実際のミクロ構造データを潜在空間にマッピングする。
  論文  参考訳（メタデータ） (2024-09-04T12:26:19Z)
• Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
  ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。 相互作用分解」の観点から構成構造の特徴づけを導入する。 モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
  論文  参考訳（メタデータ） (2024-07-12T02:39:50Z)
• Revealing the structure-property relationships of copper alloys with FAGC [7.00651980770986]
  本研究では,Cu-Cr-Zr合金に対して,FAGC(Feature Augmentation on Geodesic Curves)法を提案する。 このアプローチは、機械学習を利用して、合金の微細構造の画像内の形状を調べ、その機械的および電子的特性を予測する。 FAGC法では,Cu-Cr-Zr合金の電気伝導率および硬さの予測精度が著しく向上した。
  論文  参考訳（メタデータ） (2024-04-15T07:20:09Z)
• Equivariant graph convolutional neural networks for the representation of homogenized anisotropic microstructural mechanical response [1.283555556182245]
  異なるミクロ構造材料対称性を持つ複合材料は、工学的応用において一般的である。 異方性成分を持つ材料の効果的な均質化モデルを提供するニューラルネットワークアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2024-04-05T14:49:01Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• TopTemp: Parsing Precipitate Structure from Temper Topology [1.5234614694413722]
  そこで我々は,TopTempと呼ばれる走査型電子顕微鏡で観察したテンパー(熱処理)依存材料ミクロ構造のトポロジカル表現について述べる。 このトポロジカルな表現は、データ制限された環境での微細構造のより温和な分類をサポートし、以前は見られていなかったサンプルをうまく一般化し、画像の摂動に頑健であり、ドメインの解釈可能な特徴を捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-04-01T16:02:10Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Deep Convolutional Generative Modeling for Artificial Microstructure Development of Aluminum-Silicon Alloy [0.0]
  アルミニウム-シリコン合金の人工組織構築に, 深部生成モデリングを適用した。 Deep Generative Adversarial Networksは、与えられた微細構造画像データセットの人工的微細構造の開発に使用されている。
  論文  参考訳（メタデータ） (2021-09-06T05:59:06Z)
• 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。