論文の概要: Review of Machine Learning Methods for Additive Manufacturing of Functionally Graded Materials
- arxiv url: http://arxiv.org/abs/2309.16571v2
- Date: Thu, 25 Jul 2024 15:04:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 19:56:25.683699
- 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, Deekshith Basvoju, Aleksandar Vakanski, Indrajit Charit, Fei Xu, Xinchang Zhang,
- Abstract要約: 機能的傾斜材料(FGM)の製造は, 各種産業における部品性能の向上に大きく寄与する。
本研究は, 添加性製造(AM)における機械学習(ML)技術の実装に関する文献の総合的なレビューを行う。
本稿では,FGMの製作における固有の課題に対処する上でMLが果たす役割について概説し,パラメータ最適化,欠陥検出,リアルタイムモニタリングなどについて述べる。
- 参考スコア(独自算出の注目度): 42.75150065410399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Additive Manufacturing (AM) is a transformative manufacturing technology enabling direct fabrication of complex parts layer-be-layer from 3D modeling data. Among AM applications, the fabrication of Functionally Graded Materials (FGMs) has significant importance due to the potential to enhance component performance across several industries. FGMs are manufactured with a gradient composition transition between dissimilar materials, enabling the design of new materials with location-dependent mechanical and physical properties. This study presents a comprehensive review of published literature pertaining to the implementation of Machine Learning (ML) techniques in AM, with an emphasis on ML-based methods for optimizing FGMs fabrication processes. Through an extensive survey of the literature, this review article explores the role of ML in addressing the inherent challenges in FGMs fabrication and encompasses parameter optimization, defect detection, and real-time monitoring. The article also provides a discussion of future research directions and challenges in employing ML-based methods in AM fabrication of FGMs.
- Abstract(参考訳): アダプティブ・マニュファクチャリング (AM) は、3次元モデリングデータから複合部品層間を直接製造できるトランスフォーメーション・マニュファクチャリング技術である。
AMアプリケーションの中でFGM(Functional Graded Materials)の製造は、いくつかの産業で部品性能が向上する可能性から重要である。
FGMは異種材料間の勾配組成遷移によって製造され、位置依存の機械的・物理的特性を持つ新しい材料の設計を可能にする。
本研究では、機械学習技術(ML)のAMにおける実装に関する文献の総合的なレビューを行い、FGMの製造プロセスを最適化するMLベースの手法に焦点を当てた。
本稿では,FGMの製作における固有の課題に対処する上でMLが果たす役割について概説し,パラメータ最適化,欠陥検出,リアルタイムモニタリングなどについて述べる。
この記事では、FGMのAM製造にMLベースの手法を採用する際の今後の研究の方向性と課題についても論じる。
関連論文リスト
- A Comprehensive Survey on Machine Learning Driven Material Defect Detection: Challenges, Solutions, and Future Prospects [6.559194485550409]
材料欠陥(MD)は、製品性能に影響を及ぼし、関連する製品における安全性の問題を引き起こす主要な課題である。
MDの迅速かつ正確な同定と局在化は、MDに関連する現代の課題に対処する上で重要な研究課題である。
近年、機械学習(ML)技術の急速な進歩により、ディープラーニングはコア技術として急速に発展し、材料欠陥検出(MDD)の顕著な研究方向となっている。
我々はMDDに適用されたML手法を,教師なし学習,教師なし学習,半教師付き学習,強化学習,生成学習の5つのカテゴリに分類した。
論文 参考訳(メタデータ) (2024-06-12T05:19:55Z) - Enhancing Manufacturing Quality Prediction Models through the Integration of Explainability Methods [10.32461766065764]
本研究では,機械学習モデルの性能向上のための説明可能性手法を用いて,製粉プロセスの品質を予測する手法を提案する。
この手法はMLモデルの初期訓練を伴い、その後、説明可能性法で識別された無関係な特徴を除去する微調整フェーズが続く。
本研究は,製造領域における予測モデルの説明と最適化における説明可能性手法の有用性を強調した。
論文 参考訳(メタデータ) (2024-03-27T16:21:24Z) - A Thorough Examination of Decoding Methods in the Era of LLMs [72.65956436513241]
復号法は、次世代の予測器から実用的なタスク解決器に言語モデルを変換する上で、必須の役割を果たす。
本稿では,大規模言語モデルの文脈における様々な復号法を包括的かつ多面的に分析する。
その結果,復号法の性能は特にタスク依存的であり,アライメント,モデルサイズ,量子化などの要因に影響されていることが明らかとなった。
論文 参考訳(メタデータ) (2024-02-10T11:14:53Z) - Applications of Machine Learning to Optimizing Polyolefin Manufacturing [0.9926212277119676]
この章は、化学およびポリオレフィン製造最適化における機械学習(ML)の活用に焦点を当てている。
ケミカルプロセスにおける最新のML応用に熱心である初心者と有能なプロフェッショナルの両方のために作られています。
論文 参考訳(メタデータ) (2024-01-18T06:57:05Z) - Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications [3.430730454702436]
物理学と機械学習の交わりは、物理学の強化された機械学習(PEML)パラダイムを生み出した。
PEMLは、データまたは物理のみの手法の能力を向上し、個々の欠点を減らすことを目的としている。
本論文は, 科学・工学研究の限界を推し進める上で, PEMLの重要性を浮き彫りにするものである。
論文 参考訳(メタデータ) (2023-10-31T12:50:25Z) - 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) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
論文 参考訳(メタデータ) (2022-10-04T13:48:59Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。