論文の概要: Statistical Parameterized Physics-Based Machine Learning Digital Twin
Models for Laser Powder Bed Fusion Process
- arxiv url: http://arxiv.org/abs/2311.07821v1
- Date: Tue, 14 Nov 2023 00:45:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 15:55:51.993005
- Title: Statistical Parameterized Physics-Based Machine Learning Digital Twin
Models for Laser Powder Bed Fusion Process
- Title(参考訳): レーザー粉体融合プロセスのための統計的パラメータ化物理に基づく機械学習デジタル双晶モデル
- Authors: Yangfan Li, Satyajit Mojumder, Ye Lu, Abdullah Al Amin, Jiachen Guo,
Xiaoyu Xie, Wei Chen, Gregory J. Wagner, Jian Cao, Wing Kam Liu
- Abstract要約: デジタルツイン(Digital twin, DT)は、物理プロセス、製品、および/またはシステムの仮想表現である。
本稿では, LPBF金属添加物製造プロセスの統計的予測のためのパラメータ化物理ベースのディジタルツイン (PPB-DT) を提案する。
我々は,溶融プール地形の予測,モニタリング,制御を行うために,機械学習ベースのディジタルツイン(PPB-ML-DT)モデルを訓練した。
- 参考スコア(独自算出の注目度): 9.182594748320948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A digital twin (DT) is a virtual representation of physical process, products
and/or systems that requires a high-fidelity computational model for continuous
update through the integration of sensor data and user input. In the context of
laser powder bed fusion (LPBF) additive manufacturing, a digital twin of the
manufacturing process can offer predictions for the produced parts, diagnostics
for manufacturing defects, as well as control capabilities. This paper
introduces a parameterized physics-based digital twin (PPB-DT) for the
statistical predictions of LPBF metal additive manufacturing process. We
accomplish this by creating a high-fidelity computational model that accurately
represents the melt pool phenomena and subsequently calibrating and validating
it through controlled experiments. In PPB-DT, a mechanistic reduced-order
method-driven stochastic calibration process is introduced, which enables the
statistical predictions of the melt pool geometries and the identification of
defects such as lack-of-fusion porosity and surface roughness, specifically for
diagnostic applications. Leveraging data derived from this physics-based model
and experiments, we have trained a machine learning-based digital twin
(PPB-ML-DT) model for predicting, monitoring, and controlling melt pool
geometries. These proposed digital twin models can be employed for predictions,
control, optimization, and quality assurance within the LPBF process,
ultimately expediting product development and certification in LPBF-based metal
additive manufacturing.
- Abstract(参考訳): デジタルツイン(Digital twin, DT)は、センサーデータとユーザ入力を統合することで、連続的な更新のために高忠実度計算モデルを必要とする物理プロセス、製品、および/またはシステムの仮想表現である。
レーザー粉末層融合(LPBF)添加物製造の文脈において、製造工程のデジタルツインは、製造部品の予測、製造欠陥の診断、および制御能力を提供することができる。
本稿では, LPBF金属添加物製造プロセスの統計的予測のためのパラメータ化物理ベースのディジタルツイン (PPB-DT) を提案する。
本研究では, 溶融プール現象を正確に表現した高忠実度計算モデルを作成し, 制御実験により校正・検証する。
ppb-dtでは,メルトプールジオメトリの統計的予測と,特に表面粗さの欠如などの欠陥の同定を可能にする,機械的な還元順序法に基づく確率的校正法が導入された。
この物理モデルと実験から得られたデータを利用して, 融液プール地形の予測, 監視, 制御のために, 機械学習に基づくデジタルツイン(ppb-ml-dt)モデルを訓練した。
これらのディジタルツインモデルは、LPBFプロセス内の予測、制御、最適化、品質保証に使用することができ、最終的にLPBFベースの金属添加物製造における製品開発と認定を迅速化する。
関連論文リスト
- Digital Twin Calibration for Biological System-of-Systems: Cell Culture Manufacturing Process [3.0790370651488983]
バイオマニュファクチャリングの革新は、プロセスと製品の品質を最適化するための実験(DoE)の効率的な設計に依存している。
従来のDOE法は、基盤となるバイオプロセッシング機構を無視し、しばしば解釈可能性の欠如とサンプル効率の欠如に悩まされる。
この制限は、デジタルツインモデルキャリブレーションのためのシーケンシャルなDoEをガイドする、新しい最適学習アプローチを作成する動機となります。
論文 参考訳(メタデータ) (2024-05-07T00:22:13Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳(メタデータ) (2024-05-03T15:54:50Z) - 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) - Enhanced multi-fidelity modelling for digital twin and uncertainty
quantification [0.0]
データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。
利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。
本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-26T05:58:17Z) - Soft Sensing Regression Model: from Sensor to Wafer Metrology
Forecasting [2.8992789044888436]
本研究は,入射検査測定の予測にセンサデータを用いるソフトセンシング回帰の課題に焦点を当てた。
我々はLSTMベースの回帰器を提案し、モデルトレーニングのための2つの損失関数を設計した。
実験により, 複雑な製造工程における各種検査の精度と早期予測が得られた。
論文 参考訳(メタデータ) (2023-01-21T16:54:05Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳(メタデータ) (2022-08-30T20:16:17Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Attentive Neural Processes and Batch Bayesian Optimization for Scalable
Calibration of Physics-Informed Digital Twins [10.555398506346291]
物理インフォームド力学系モデルは、構築された環境のデジタル双対の重要な構成要素を形成する。
スケーラブルで並列化可能なバッチワイドベイズ最適化(BBO)手法であるANP-BBOを提案する。
論文 参考訳(メタデータ) (2021-06-29T15:30:55Z) - 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。