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
- Bridging Component Learning with Degradation Modelling for Blind Image
Super-Resolution [69.11604249813304]
視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。
CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。
本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
論文 参考訳(メタデータ) (2022-12-03T14:53:56Z) - 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) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - A multi-task learning-based optimization approach for finding diverse
sets of material microstructures with desired properties and its application
to texture optimization [1.6311150636417262]
本稿では,材料テクスチャ最適化のためのマルチタスク学習手法を提案する。
このアプローチは、マルチタスク学習とシアムネットワークを組み合わせた機械学習モデルと相互作用する最適化アルゴリズムで構成されている。
論文 参考訳(メタデータ) (2021-10-27T08:25:26Z) - 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 Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。
この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文 参考訳(メタデータ) (2021-09-28T20:22:44Z) - 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) - Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。
本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文 参考訳(メタデータ) (2021-08-16T11:52:08Z) - Image-driven discriminative and generative machine learning algorithms
for establishing microstructure-processing relationships [0.49259062564301753]
我々は、画像認識、キャラクタリゼーション、予測機能構築のための改良された機械学習アプローチを開発する。
核燃料として現在開発中の二元合金(ウラニウムモリブデン)について検討した。
F1スコア95.1%は10の異なる熱力学的材料処理条件に対応するマイクログラフを区別するために達成された。
論文 参考訳(メタデータ) (2020-07-27T10:36:18Z) - 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) - Learning to Incorporate Structure Knowledge for Image Inpainting [20.93448933499842]
本稿では,画像の描画を支援するために,画像構造知識を取り入れたマルチタスク学習フレームワークを開発する。
第一のアイデアは、共有ジェネレータをトレーニングして、破損した画像と対応する構造を同時に完成させることである。
また,学習した構造特徴を塗布プロセスに明示的に埋め込む構造埋め込み方式も導入する。
論文 参考訳(メタデータ) (2020-02-11T02:22:38Z)
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。