論文の概要: Probabilistic Physics-integrated Neural Differentiable Modeling for
Isothermal Chemical Vapor Infiltration Process
- arxiv url: http://arxiv.org/abs/2311.07798v1
- Date: Mon, 13 Nov 2023 23:25:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 16:09:29.425417
- Title: Probabilistic Physics-integrated Neural Differentiable Modeling for
Isothermal Chemical Vapor Infiltration Process
- Title（参考訳）: 等温化学気相浸透過程の確率論的物理積分ニューラル微分モデル
- Authors: Deepak Akhare, Zeping Chen, Richard Gulotty, Tengfei Luo, Jian-Xun
Wang
- Abstract要約: 化学気相浸透(CVI)は、炭素-炭素および炭化炭素-ケイ素複合化合物の製造に広く用いられている製造技術である。
CVI中の密度化過程は, これらの複合材料の最終性能, 品質, 整合性に重要な影響を及ぼす。
我々は物理積分型ニューラル微分可能(PiNDiff)モデリングフレームワークを用いたデータ駆動予測モデルを開発した。
- 参考スコア（独自算出の注目度）: 3.878427803346315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chemical vapor infiltration (CVI) is a widely adopted manufacturing technique
used in producing carbon-carbon and carbon-silicon carbide composites. These
materials are especially valued in the aerospace and automotive industries for
their robust strength and lightweight characteristics. The densification
process during CVI critically influences the final performance, quality, and
consistency of these composite materials. Experimentally optimizing the CVI
processes is challenging due to long experimental time and large optimization
space. To address these challenges, this work takes a modeling-centric
approach. Due to the complexities and limited experimental data of the
isothermal CVI densification process, we have developed a data-driven
predictive model using the physics-integrated neural differentiable (PiNDiff)
modeling framework. An uncertainty quantification feature has been embedded
within the PiNDiff method, bolstering the model's reliability and robustness.
Through comprehensive numerical experiments involving both synthetic and
real-world manufacturing data, the proposed method showcases its capability in
modeling densification during the CVI process. This research highlights the
potential of the PiNDiff framework as an instrumental tool for advancing our
understanding, simulation, and optimization of the CVI manufacturing process,
particularly when faced with sparse data and an incomplete description of the
underlying physics.
- Abstract（参考訳）: 化学気相浸透(CVI)は、炭素-炭素および炭化炭素-ケイ素複合化合物の製造に広く用いられている製造技術である。
これらの材料は、特に航空宇宙産業や自動車産業において、強靭な強度と軽量な特性で評価されている。
CVI中の密度化過程は, これらの複合材料の最終性能, 品質, 整合性に重要な影響を及ぼす。
cviプロセスの実験的最適化は、長い実験時間と大きな最適化空間のために難しい。
これらの課題に対処するには、モデリング中心のアプローチを採用する。
等温CVI密度化プロセスの複雑さと限られた実験データにより,物理積分型ニューラル微分可能(PiNDiff)モデリングフレームワークを用いたデータ駆動予測モデルを開発した。
PiNDiff法には不確実な定量化機能が組み込まれており、モデルの信頼性と堅牢性を高めている。
合成および実世界の製造データを含む総合的な数値実験を通じて,CVIプロセスにおける密度化のモデル化能力を示す。
本研究は, CVI製造プロセスの理解, シミュレーション, 最適化を促進するためのツールとしてのPiNDiffフレームワークの可能性を明らかにする。
関連論文リスト
- Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。
基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
論文 参考訳（メタデータ） (2024-12-18T14:39:43Z) - Efficient Probabilistic Modeling of Crystallization at Mesoscopic Scale [4.271235935891555]
メソスコピックスケールでの結晶化プロセスは、特に材料科学と冶金学に興味がある。
本稿では,メソスコピックスケールでの効率的な結晶成長の確率モデルであるCrystal Growth Neural Emulator (CGNE)を紹介する。
CGNEは、最近の動的システムの最先端確率モデルと比較して、推論時間と性能の向上率を11倍に向上させる。
論文 参考訳（メタデータ） (2024-05-26T15:37:19Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics [0.0]
本稿では,多段軸圧縮機の流れ場および空力特性予測のためのディープラーニングフレームワークの開発と応用について述べる。
物理に基づく次元の減少は、流れ場予測の可能性を解き放つ。
提案アーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
論文 参考訳（メタデータ） (2023-10-06T14:11:21Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data [0.0]
この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。
その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
論文 参考訳（メタデータ） (2022-10-28T15:27:46Z) - Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data [5.653328302363391]
我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。
その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
論文 参考訳（メタデータ） (2022-06-15T18:27:10Z) - Residual fourier neural operator for thermochemical curing of composites [9.236600710244478]
本稿では,Residual Fourier Neural Operator (ResFNO)を提案する。
ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
論文 参考訳（メタデータ） (2021-11-15T14:28:11Z) - 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) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - 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。