論文の概要: Predicting Thermoelectric Power Factor of Bismuth Telluride During Laser Powder Bed Fusion Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2303.15663v1
• Date: Tue, 28 Mar 2023 01:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 16:49:29.909673
• Title: Predicting Thermoelectric Power Factor of Bismuth Telluride During Laser Powder Bed Fusion Additive Manufacturing
• Title（参考訳）: レーザー粉末層核融合添加剤製造におけるビスマステルリドの熱電率の予測
• Authors: Ankita Agarwal (1), Tanvi Banerjee (1), Joy Gockel (2), Saniya LeBlanc (3), Joe Walker (4), John Middendorf (4) ((1) Wright State University, (2) Colorado School of Mines, (3) The George Washington University, (4) Open Additive, LLC)
• Abstract要約: 熱電材料において、パワーファクター(英: power factor)とは、熱を電気に変換するための効率の尺度である。 本研究では,ビスマステルル化物(Bi2Te3)の添加製造過程におけるパワーファクターを予測するために,異なる機械学習モデルを訓練する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An additive manufacturing (AM) process, like laser powder bed fusion, allows for the fabrication of objects by spreading and melting powder in layers until a freeform part shape is created. In order to improve the properties of the material involved in the AM process, it is important to predict the material characterization property as a function of the processing conditions. In thermoelectric materials, the power factor is a measure of how efficiently the material can convert heat to electricity. While earlier works have predicted the material characterization properties of different thermoelectric materials using various techniques, implementation of machine learning models to predict the power factor of bismuth telluride (Bi2Te3) during the AM process has not been explored. This is important as Bi2Te3 is a standard material for low temperature applications. Thus, we used data about manufacturing processing parameters involved and in-situ sensor monitoring data collected during AM of Bi2Te3, to train different machine learning models in order to predict its thermoelectric power factor. We implemented supervised machine learning techniques using 80% training and 20% test data and further used the permutation feature importance method to identify important processing parameters and in-situ sensor features which were best at predicting power factor of the material. Ensemble-based methods like random forest, AdaBoost classifier, and bagging classifier performed the best in predicting power factor with the highest accuracy of 90% achieved by the bagging classifier model. Additionally, we found the top 15 processing parameters and in-situ sensor features to characterize the material manufacturing property like power factor. These features could further be optimized to maximize power factor of the thermoelectric material and improve the quality of the products built using this material.
• Abstract（参考訳）: レーザー粉体層融合のような添加物製造(am)プロセスは、フリーフォーム部分形状が形成されるまで粉体を層状に拡散・溶融させることで、物体を作製することができる。 AMプロセスに関わる材料の特性を改善するためには, 材料特性を処理条件の関数として予測することが重要である。 熱電材料において、動力係数(英: power factor)とは、材料の熱を電気に変換する効率の指標である。 従来, 各種熱電材料の材料特性を様々な手法で予測してきたが, AM過程におけるビスマステルル化ビスマス(Bi2Te3)のパワーファクターを予測する機械学習モデルの実装は検討されていない。 これはBi2Te3が低温応用の標準材料であるため重要である。 そこで我々は,Bi2Te3のAM中に収集した製造処理パラメータとセンサ内モニタリングデータを用いて,その熱電率を予測するために,異なる機械学習モデルをトレーニングした。 80%のトレーニングと20%のテストデータを用いて教師あり機械学習手法を実装し,さらに,材料のパワーファクタの予測に最も適した重要な処理パラメータとその場センサ特徴を特定するために置換特徴重要度法を応用した。 ランダムフォレスト,アダブースト分類器,袋詰め分類器などのアンサンブルに基づく手法は,袋詰め分類器モデルにより最大90%の精度で電力係数の予測に最適であった。 さらに,電力係数などの材料製造特性を特徴付けるために,トップ15の処理パラメータとその場センサ機能を見出した。 これらの特徴は、熱電材料のパワーファクターを最大化し、この材料を用いた製品の品質を向上させるためにさらに最適化される。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• 3D object quality prediction for Metal Jet Printer with Multimodal thermal encoder [46.85584046139531]
  金属印刷における様々な要因は、印刷部品の品質に影響を及ぼす。 HPのMetJet印刷プロセスから収集された膨大なデータを使って、AI技術を使用して、印刷された部分品質メトリクスを分析し、学習し、効果的に推測することができる。
  論文  参考訳（メタデータ） (2024-04-17T21:57:29Z)
• An Automated Machine Learning Approach to Inkjet Printed Component Analysis: A Step Toward Smart Additive Manufacturing [0.058520770038704165]
  フレキシブル基板上のインクジェット印刷部品のマイクロ波特性評価のための機械学習に基づくアーキテクチャを提案する。 その結果,eXtreme Gradient Boosted Trees Regressor (XGB) と Light Gradient Boosting (LGB) アルゴリズムは,研究中の特徴付け問題に対して最適であることがわかった。
  論文  参考訳（メタデータ） (2024-04-06T13:13:45Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal Imaging Data and Machine Learning [0.0]
  レーザー粉末層融合過程における局所熱履歴の変化は微視的欠陥を引き起こす可能性がある。 本研究では, LPBFステンレス鋼材料の微細孔率を予測するため, その場熱画像データを用いた機械学習(ML)モデルを開発した。
  論文  参考訳（メタデータ） (2021-12-16T21:25:16Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Application of Classification and Feature Selection in Building Energy Simulations [0.0]
  建築用封筒材は、建築エネルギー性能を向上させる上で重要な役割を担っている。 本研究は, 材料熱特性が建築熱負荷に及ぼす影響について, 線形判別分析 (LDA) 法を適用した。
  論文  参考訳（メタデータ） (2021-08-27T15:55:00Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• 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。