論文の概要: Capturing Local Temperature Evolution during Additive Manufacturing
through Fourier Neural Operators
- arxiv url: http://arxiv.org/abs/2307.01804v1
- Date: Tue, 4 Jul 2023 16:17:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 16:31:36.884323
- Title: Capturing Local Temperature Evolution during Additive Manufacturing
through Fourier Neural Operators
- Title(参考訳): フーリエニューラル演算子による添加製造中の局所温度変化の捕捉
- Authors: Jiangce Chen, Wenzhuo Xu, Martha Baldwin, Bj\"orn Nijhuis, Ton van den
Boogaard, Noelia Grande Guti\'errez, Sneha Prabha Narra, Christopher McComb
- Abstract要約: 本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。
直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。
その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
- 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: High-fidelity, data-driven models that can quickly simulate thermal behavior
during additive manufacturing (AM) are crucial for improving the performance of
AM technologies in multiple areas, such as part design, process planning,
monitoring, and control. However, the complexities of part geometries make it
challenging for current models to maintain high accuracy across a wide range of
geometries. Additionally, many models report a low mean square error (MSE)
across the entire domain (part). However, in each time step, most areas of the
domain do not experience significant changes in temperature, except for the
heat-affected zones near recent depositions. Therefore, the MSE-based fidelity
measurement of the models may be overestimated.
This paper presents a data-driven model that uses Fourier Neural Operator to
capture the local temperature evolution during the additive manufacturing
process. In addition, the authors propose to evaluate the model using the $R^2$
metric, which provides a relative measure of the model's performance compared
to using mean temperature as a prediction. The model was tested on numerical
simulations based on the Discontinuous Galerkin Finite Element Method for the
Direct Energy Deposition process, and the results demonstrate that the model
achieves high fidelity as measured by $R^2$ and maintains generalizability to
geometries that were not included in the training process.
- Abstract(参考訳): 部品設計、プロセス計画、モニタリング、制御など、複数の分野におけるAM技術の性能向上には、AM製造中の熱挙動を迅速にシミュレートできる高忠実なデータ駆動モデルが不可欠である。
しかしながら、部分ジオメトリの複雑さは、現在のモデルが幅広いジオメトリにわたって高い精度を維持することを困難にしている。
さらに、多くのモデルはドメイン全体(一部)にわたって平均二乗誤差(MSE)を報告している。
しかし、各段階において、領域のほとんどの領域は、最近の鉱床付近の熱影響帯を除いて、大きな温度変化を経験していない。
したがって、mseに基づくモデルの忠実度測定を過大評価することができる。
本稿では,フーリエ・ニューラル・オペレーターを用いて添加物製造過程における局所温度変化を捉えるデータ駆動モデルを提案する。
さらに, 平均温度を予測として用いた場合と比較して, モデルの性能を相対測度で表した$R^2$メトリックを用いてモデルを評価することを提案する。
本モデルは直接エネルギー沈着法における不連続ガレルキン有限要素法に基づく数値シミュレーションを用いて実験を行い, r^2$ で測定した高い忠実性を達成し, トレーニングプロセスに含まれないジオメトリへの一般化性を維持することを実証した。
関連論文リスト
- Optimizing Temperature for Language Models with Multi-Sample Inference [47.14991144052361]
本稿では,異なる大言語モデルに対する(近傍)最適温度の自動同定という課題に対処する。
モデルアーキテクチャ、データセット、タスクタイプ、モデルサイズ、予測精度の変動を考慮して、性能最適化における温度の役割を総合的に分析する。
本稿では,温度自動最適化のためのエントロピーに基づく新しい計量法を提案する。
論文 参考訳(メタデータ) (2025-02-07T19:35:25Z) - Decrypting the temperature field in flow boiling with latent diffusion models [1.9190568044682759]
本稿では,位相インジケータマップから温度場を生成するためにLDM(Latent Diffusion Models)を用いた革新的な手法を提案する。
数値シミュレーションからBubbleMLデータセットを利用することで, LDM位相場データを対応する温度分布に変換する。
結果として得られるモデルは、界面における複雑な温度場を効果的に再構成する。
論文 参考訳(メタデータ) (2025-01-27T21:18:05Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2024-10-21T18:31:04Z) - SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳(メタデータ) (2024-08-19T17:32:15Z) - Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。
我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。
PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
論文 参考訳(メタデータ) (2024-07-08T16:38:52Z) - Long Horizon Temperature Scaling [90.03310732189543]
LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。
温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-07T18:59:32Z) - A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain [12.264200001067797]
本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。
数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
論文 参考訳(メタデータ) (2022-03-15T08:43:24Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Data-Driven Permanent Magnet Temperature Estimation in Synchronous
Motors with Supervised Machine Learning [0.0]
自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。
過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。
いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
論文 参考訳(メタデータ) (2020-01-17T11:41:02Z)
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。