論文の概要: A hybrid machine learning framework for clad characteristics prediction
in metal additive manufacturing
- arxiv url: http://arxiv.org/abs/2307.01872v1
- Date: Tue, 4 Jul 2023 18:32:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 15:59:34.514725
- Title: A hybrid machine learning framework for clad characteristics prediction
in metal additive manufacturing
- Title（参考訳）: 金属添加物製造におけるクラッド特性予測のためのハイブリッド機械学習フレームワーク
- Authors: Sina Tayebati, Kyu Taek Cho
- Abstract要約: 金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。
MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。
機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During the past decade, metal additive manufacturing (MAM) has experienced
significant developments and gained much attention due to its ability to
fabricate complex parts, manufacture products with functionally graded
materials, minimize waste, and enable low-cost customization. Despite these
advantages, predicting the impact of processing parameters on the
characteristics of an MAM printed clad is challenging due to the complex nature
of MAM processes. Machine learning (ML) techniques can help connect the physics
underlying the process and processing parameters to the clad characteristics.
In this study, we introduce a hybrid approach which involves utilizing the data
provided by a calibrated multi-physics computational fluid dynamic (CFD) model
and experimental research for preparing the essential big dataset, and then
uses a comprehensive framework consisting of various ML models to predict and
understand clad characteristics. We first compile an extensive dataset by
fusing experimental data into the data generated using the developed CFD model
for this study. This dataset comprises critical clad characteristics, including
geometrical features such as width, height, and depth, labels identifying clad
quality, and processing parameters. Second, we use two sets of processing
parameters for training the ML models: machine setting parameters and
physics-aware parameters, along with versatile ML models and reliable
evaluation metrics to create a comprehensive and scalable learning framework
for predicting clad geometry and quality. This framework can serve as a basis
for clad characteristics control and process optimization. The framework
resolves many challenges of conventional modeling methods in MAM by solving t
the issue of data scarcity using a hybrid approach and introducing an
efficient, accurate, and scalable platform for clad characteristics prediction
and optimization.
- Abstract（参考訳）: 過去10年間、金属添加物製造(mam)は重要な発展を遂げ、複雑な部品の製作、機能的に傾斜した材料による製品の製造、廃棄物の最小化、低コストのカスタマイズを可能にした。
これらの利点にもかかわらず、MAMプロセスの複雑な性質のため、MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。
機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
本研究では,マルチフィジカルな計算流体力学(cfd)モデルによって提供されるデータと,本質的なビッグデータを作成するための実験的研究とを組み合わせたハイブリッド手法を提案し,様々なmlモデルからなる包括的フレームワークを用いてクラッド特性の予測と理解を行う。
本研究は,実験データをCFDモデルを用いて生成したデータに融合することにより,まず広範囲なデータセットをコンパイルする。
このデータセットは、幅、高さ、深さなどの幾何学的特徴、クラッド品質を識別するラベル、および処理パラメータを含む重要なクラッド特性を含む。
第2に、機械学習モデルのトレーニングには、機械設定パラメータと物理認識パラメータと、汎用MLモデルと信頼性評価指標の2つの処理パラメータを使用して、クラッド幾何学と品質を予測するための包括的なスケーラブルな学習フレームワークを作成します。
このフレームワークはクラッド特性制御とプロセス最適化の基礎となる。
このフレームワークは、ハイブリッドアプローチを用いてデータの不足を解消し、クラッド特性予測と最適化のための効率的で正確でスケーラブルなプラットフォームを導入することで、MAMにおける従来のモデリング手法の多くの課題を解決する。
関連論文リスト
- Star-Agents: Automatic Data Optimization with LLM Agents for Instruction Tuning [71.2981957820888]
本稿では,データセット間のデータ品質向上を自動化する新しいStar-Agentsフレームワークを提案する。
このフレームワークは最初,複数のLDMエージェントを用いた多様なインストラクションデータを生成する。
生成したデータは、難易度と品質の両方を評価する二重モデル法を用いて厳密な評価を行う。
論文 参考訳（メタデータ） (2024-11-21T02:30:53Z) - 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) - Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。
キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文 参考訳（メタデータ） (2024-02-26T05:51:47Z) - An Augmented Surprise-guided Sequential Learning Framework for
Predicting the Melt Pool Geometry [4.021352247826289]
メタリック・アダプティブ・マニュファクチャリング(MAM)は、複雑な設計、最小限の廃棄物、迅速なプロトタイピング、素材の汎用性、カスタマイズされたソリューションなどの利点を提供する製造業を再構築した。
MAMの成功の重要な側面は、プロセスパラメータとメルトプール特性の関係を理解することである。
従来の機械学習(ML)メソッドは、有効ではあるが、複雑な関係をキャプチャするための大規模なデータセットに依存している。
本研究は,新たなサプライズ誘導型シーケンシャルラーニングフレームワークであるSurpriseAF-BOを導入し,MAMの大幅な変化を示唆するものである。
論文 参考訳（メタデータ） (2024-01-10T23:05:23Z) - Stochastic Deep Koopman Model for Quality Propagation Analysis in
Multistage Manufacturing Systems [1.178566843877027]
本研究では、MMSの複雑な振る舞いをモデル化するための深いクープマン(SDK)フレームワークを紹介する。
本稿では,変分オートエンコーダから抽出した臨界品質情報を伝搬するクープマン演算子の新たな応用法を提案する。
論文 参考訳（メタデータ） (2023-09-18T22:53:17Z) - Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification [0.42581756453559755]
この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。
代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
論文 参考訳（メタデータ） (2022-10-13T16:40:11Z) - MechProNet: Machine Learning Prediction of Mechanical Properties in Metal Additive Manufacturing [0.5937280131734116]
本研究では,機械的特性予測のための機械学習モデルのベンチマークフレームワークを提案する。
様々な情報源から90以上のMAM記事やデータシートから実験データセットを収集した。
本フレームワークは,MAMに特有の物理認識の成果化,調整可能なMLモデル,調整された評価指標を含む。
論文 参考訳（メタデータ） (2022-08-21T20:50:26Z) - 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) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - 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) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z)
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。