論文の概要: Machine Learning Approaches in Agile Manufacturing with Recycled Materials for Sustainability

• arxiv url: http://arxiv.org/abs/2303.08291v1
• Date: Wed, 15 Mar 2023 00:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-03-16 15:15:14.046989
• Title: Machine Learning Approaches in Agile Manufacturing with Recycled Materials for Sustainability
• Title（参考訳）: 持続可能なリサイクル材料を用いたアジャイルマニュファクチャリングにおける機械学習アプローチ
• Authors: Aparna S. Varde, Jianyu Liang
• Abstract要約: 本研究は, リサイクル・再生材料を用いたアジャイル製造における意思決定支援を通じて, 材料科学における環境持続可能性について論じる。 本稿では,機械学習モデルを用いて予測分析を行い,製造における意思決定支援を支援することによって,AIにおけるデータ駆動手法を提案する。
• 参考スコア（独自算出の注目度）: 2.132096006921048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is important to develop sustainable processes in materials science and manufacturing that are environmentally friendly. AI can play a significant role in decision support here as evident from our earlier research leading to tools developed using our proposed machine learning based approaches. Such tools served the purpose of computational estimation and expert systems. This research addresses environmental sustainability in materials science via decision support in agile manufacturing using recycled and reclaimed materials. It is a safe and responsible way to turn a specific waste stream to value-added products. We propose to use data-driven methods in AI by applying machine learning models for predictive analysis to guide decision support in manufacturing. This includes harnessing artificial neural networks to study parameters affecting heat treatment of materials and impacts on their properties; deep learning via advances such as convolutional neural networks to explore grain size detection; and other classifiers such as Random Forests to analyze phrase fraction detection. Results with all these methods seem promising to embark on further work, e.g. ANN yields accuracy around 90\% for predicting micro-structure development as per quench tempering, a heat treatment process. Future work entails several challenges: investigating various computer vision models (VGG, ResNet etc.) to find optimal accuracy, efficiency and robustness adequate for sustainable processes; creating domain-specific tools using machine learning for decision support in agile manufacturing; and assessing impacts on sustainability with metrics incorporating the appropriate use of recycled materials as well as the effectiveness of developed products. Our work makes impacts on green technology for smart manufacturing, and is motivated by related work in the highly interesting realm of AI for materials science.
• Abstract（参考訳）: 環境に優しい材料科学や製造における持続可能なプロセスを開発することが重要である。 aiは、私たちの提案する機械学習ベースのアプローチを使用して開発されたツールに先立つ以前の研究から明らかなように、この決定支援において重要な役割を果たすことができます。 このようなツールは、計算の見積もりとエキスパートシステムに役立った。 本研究は, リサイクル・再生材料を用いたアジャイル製造における意思決定支援を通じて, 材料科学における環境持続可能性について論じる。 これは、特定の廃棄物ストリームを付加価値製品に変換する安全で責任ある方法です。 本稿では,機械学習モデルを用いて予測分析を行い,製造における意思決定支援を支援することによって,AIにおけるデータ駆動手法を提案する。 これには、材料の熱処理に影響を及ぼすパラメータと特性に影響を与えるパラメータの研究、畳み込みニューラルネットワークによる粒度検出の探索による深層学習、ランダムフォレスト(Random Forests)などの分類器によるフレーズ分画検出の解析などが含まれる。 例えば、ANNは熱処理プロセスであるクエンチ・テンパリング(en:quench tempering)において、微細構造の発生を予測するのに約90%の精度が得られる。 さまざまなコンピュータビジョンモデル(VGG、ResNetなど)を調査して、持続可能なプロセスに適した最適な正確性、効率、堅牢性を見つけること、アジャイル製造における意思決定を支援するために機械学習を使用してドメイン固有のツールを作成すること、リサイクルされた素材の適切な使用と開発製品の有効性を取り入れたメトリクスによる持続可能性への影響を評価すること。 私たちの研究は、スマートマニュファクチャリングのためのグリーン技術に影響を与え、材料科学のためのaiの非常に興味深い領域における関連作業によって動機づけられています。

関連論文リスト

• Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A minireview [0.0]
  機械学習(ML)によるアプローチは、材料発見、プロパティ予測、マテリアルデザインに革命をもたらしている。 このレビューでは、材料の機械的、熱的、電気的、光学的特性を予測するML駆動方式の現実的な応用を強調した。 最終的に、AI、自動実験、および計算モデリングの相乗効果は、材料の検出、最適化、設計の方法を変える。
  論文  参考訳（メタデータ） (2025-03-22T15:24:38Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Machine learning for industrial sensing and control: A survey and practical perspective [7.678648424345052]
  プロセス産業で実際に成功している重要な統計および機械学習技術を特定する。 ソフトセンシングは、統計学と機械学習の手法の多くの産業応用を含んでいる。 データ駆動最適化と制御のための2つの異なるフレーバーについて考察する。
  論文  参考訳（メタデータ） (2024-01-24T22:27:04Z)
• On the Opportunities of Green Computing: A Survey [80.21955522431168]
  人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。 高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。 コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
  論文  参考訳（メタデータ） (2023-11-01T11:16:41Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Artificial Intelligence in Material Engineering: A review on applications of AI in Material Engineering [0.0]
  高性能コンピューティングにより、重要なパラメータでディープラーニング(DL)モデルをテストできるようになった。 GAN(Generative Adversarial Network)は、無機材料の化学組成の生成を促進する。 既存の分析機器からの結果を分析するためのAIの利用についても論じる。
  論文  参考訳（メタデータ） (2022-09-15T04:21:07Z)
• Hybrid and Automated Machine Learning Approaches for Oil Fields Development: the Case Study of Volve Field, North Sea [58.720142291102135]
  本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。 我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。 実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
  論文  参考訳（メタデータ） (2021-03-03T18:51:46Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)
• Towards Intelligent Pick and Place Assembly of Individualized Products Using Reinforcement Learning [0.0]
  我々は,強化学習を実装することで,作業の選択と配置をうまく行うように協調的なロボットに教えることを目指している。 連続的に変化する製造環境における個別化製品の組み立てには、シミュレーションされた幾何学的パラメータと動的パラメータが変化する。 このロボットは、センサー、エリアスキャンカメラ、そして環境とオブジェクトの高度マップを生成するために使用される3Dカメラから入力データを取得する。
  論文  参考訳（メタデータ） (2020-02-11T15:32:28Z)

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。