論文の概要: Review of Machine Learning Methods for Additive Manufacturing of
Functionally Graded Materials
- arxiv url: http://arxiv.org/abs/2309.16571v1
- Date: Thu, 28 Sep 2023 16:27:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 13:24:49.903790
- Title: Review of Machine Learning Methods for Additive Manufacturing of
Functionally Graded Materials
- Title(参考訳): 傾斜機能材料の付加的製造のための機械学習手法のレビュー
- Authors: Mohammad Karimzadeh, Aleksandar Vakanski, Fei Xu, Xinchang Zhang
- Abstract要約: 機能的傾斜材料(FGM)は、滑らかな特性を示す高度な複合材料である。
最近の機械学習技術は、FGMの製造に有望な手段として現れている。
本稿はまず,FGM製造に関する文献を概説し,次いで添加物製造における機械学習の適用について概説する。
- 参考スコア(独自算出の注目度): 51.03718738121577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Additive manufacturing has revolutionized the manufacturing of complex parts
by enabling direct material joining and offers several advantages such as
cost-effective manufacturing of complex parts, reducing manufacturing waste,
and opening new possibilities for manufacturing automation. One group of
materials for which additive manufacturing holds great potential for enhancing
component performance and properties is Functionally Graded Materials (FGMs).
FGMs are advanced composite materials that exhibit smoothly varying properties
making them desirable for applications in aerospace, automobile, biomedical,
and defense industries. Such composition differs from traditional composite
materials, since the location-dependent composition changes gradually in FGMs,
leading to enhanced properties. Recently, machine learning techniques have
emerged as a promising means for fabrication of FGMs through optimizing
processing parameters, improving product quality, and detecting manufacturing
defects. This paper first provides a brief literature review of works related
to FGM fabrication, followed by reviewing works on employing machine learning
in additive manufacturing, Afterward, we provide an overview of published works
in the literature related to the application of machine learning methods in
Directed Energy Deposition and for fabrication of FGMs.
- Abstract(参考訳): 複合部品の直接接合を可能にすることで複合部品の製造に革命をもたらし、複合部品のコスト効率の良い製造、製造廃棄物の削減、製造自動化の新たな可能性の開放などいくつかの利点を提供している。
添加物製造が部品性能と特性を向上させる大きな可能性を秘めている材料の1つが傾斜機能材料(fgms)である。
FGMは、航空宇宙、自動車、バイオメディカル、防衛産業の用途に好適な、スムーズな特性を示す先進的な複合材料である。
このような組成は従来の複合材料と異なり、fgmでは位置依存的な組成が徐々に変化し、特性が向上する。
近年, 加工パラメータの最適化, 製品品質の向上, 製造欠陥の検出により, fgm製造の有望な手段として機械学習技術が登場している。
本稿は,まず,fgm製造関連作品の簡単な文献レビューを行った後,添加物製造における機械学習の利用に関するレビューを行い,その後,有向エネルギー蒸着およびfgm製造における機械学習手法の適用に関する文献における出版作品の概要を述べる。
関連論文リスト
- CATfOOD: Counterfactual Augmented Training for Improving Out-of-Domain
Performance and Calibration [59.48235003469116]
データの増大はOOD性能を継続的に向上させることを示す。
また, CF拡張モデルのキャリブレーションが容易な場合, 重要度を割り当てる場合, エントロピーがはるかに低いことを示す。
論文 参考訳(メタデータ) (2023-09-14T16:16:40Z) - A hybrid machine learning framework for clad characteristics prediction
in metal additive manufacturing [0.0]
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。
論文 参考訳(メタデータ) (2023-07-04T18:32:41Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳(メタデータ) (2022-09-21T08:14:34Z) - Mechanical Properties Prediction in Metal Additive Manufacturing Using
Machine Learning [0.0]
この研究は、機械的特性のための機械学習をベンチマークするためのフレームワークを導入する。
実験データセットは90以上のMAM記事と140以上のMAM企業のデータシートから収集される。
機械的特性に対するMLモデルの予測値を説明・解釈するために、説明可能なAI手法、すなわちSHAP分析を検討した。
論文 参考訳(メタデータ) (2022-08-21T20:50:26Z) - Multi-objective simulation optimization of the adhesive bonding process
of materials [50.591267188664666]
このような接着プロセスの最適プロセスパラメータを見つけることは困難である。
本研究では,ガウス過程回帰とロジスティック回帰を用いてベイズ最適化を行った。
論文 参考訳(メタデータ) (2021-12-09T09:58:58Z) - Differential Property Prediction: A Machine Learning Approach to
Experimental Design in Advanced Manufacturing [2.905624971705889]
機械学習フレームワークである差分特性分類(DPC)を提案する。
DPCは2つの可能な実験パラメータ集合を持ち、演算子によって指定されたより望ましい特性を持つ材料を生成する予測を出力する。
実験者は,複数の候補となる実験パラメータを選択する必要があることに注目することにより,材料特性を処理パラメータから予測する困難な回帰タスクを,機械学習モデルが優れた性能を達成できる分類タスクに再編成できることを示す。
論文 参考訳(メタデータ) (2021-12-03T02:51:15Z) - Functional Nanomaterials Design in the Workflow of Building
Machine-Learning Models [0.0]
機械学習(ML)技術は、化学と材料科学の多くの研究分野に革命をもたらした。
MLは、分子/物質の組み合わせに関するより包括的な洞察を提供する。
ナノマテリアル発見の進歩の鍵は、入力指紋と出力値を定量的にリンクする方法である。
論文 参考訳(メタデータ) (2021-08-16T05:51:03Z) - Modeling and Optimizing Laser-Induced Graphene [59.8912133964006]
レーザ誘起グラフェンの生成の最適化を記述したデータセットを提供する。
提供するデータセットに基づいて,3つの課題を提起します。
興味のあるユーザにとっての出発点として、図解的な結果と、それらを生成するためのコードを提示します。
論文 参考訳(メタデータ) (2021-07-29T18:08:24Z) - Improved Synthetic Training for Reading Comprehension [0.0]
合成トレーニングデータには、品質を犠牲にして高可用性を実現するなど、ユニークな特性がある。
提案した事前学習・知識蒸留手法は,既存の方法よりも大幅に改善されている。
特に驚くべき発見として、合成蒸留が教師モデルを上回る結果をもたらすことがしばしばある。
論文 参考訳(メタデータ) (2020-10-24T04:41:30Z) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-04-13T04:17:30Z)
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。