論文の概要: Inexpensive High Fidelity Melt Pool Models in Additive Manufacturing
Using Generative Deep Diffusion
- arxiv url: http://arxiv.org/abs/2311.16168v1
- Date: Wed, 15 Nov 2023 19:37:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-03 13:04:57.869742
- Title: Inexpensive High Fidelity Melt Pool Models in Additive Manufacturing
Using Generative Deep Diffusion
- Title(参考訳): 生成深部拡散を用いた添加物製造における高忠実度溶融プールモデル
- Authors: Francis Ogoke, Quanliang Liu, Olabode Ajenifujah, Alexander Myers,
Guadalupe Quirarte, Jack Beuth, Jonathan Malen, Amir Barati Farimani
- Abstract要約: レーザー粉末層融合(L-PBF)の欠陥は、しばしば溶融プールとして知られるレーザー近傍の溶融合金のメソスケールのダイナミクスによって生じる。
本研究では,確率的拡散フレームワークに基づく生成的深層学習モデルを構築し,低忠実度,粗粒度シミュレーション情報を高忠実度にマッピングする。
- 参考スコア(独自算出の注目度): 40.80426609561942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Defects in laser powder bed fusion (L-PBF) parts often result from the
meso-scale dynamics of the molten alloy near the laser, known as the melt pool.
For instance, the melt pool can directly contribute to the formation of
undesirable porosity, residual stress, and surface roughness in the final part.
Experimental in-situ monitoring of the three-dimensional melt pool physical
fields is challenging, due to the short length and time scales involved in the
process. Multi-physics simulation methods can describe the three-dimensional
dynamics of the melt pool, but are computationally expensive at the mesh
refinement required for accurate predictions of complex effects, such as the
formation of keyhole porosity. Therefore, in this work, we develop a generative
deep learning model based on the probabilistic diffusion framework to map
low-fidelity, coarse-grained simulation information to the high-fidelity
counterpart. By doing so, we bypass the computational expense of conducting
multiple high-fidelity simulations for analysis by instead upscaling
lightweight coarse mesh simulations. Specifically, we implement a 2-D diffusion
model to spatially upscale cross-sections of the coarsely simulated melt pool
to their high-fidelity equivalent. We demonstrate the preservation of key
metrics of the melting process between the ground truth simulation data and the
diffusion model output, such as the temperature field, the melt pool dimensions
and the variability of the keyhole vapor cavity. Specifically, we predict the
melt pool depth within 3 $\mu m$ based on low-fidelity input data 4$\times$
coarser than the high-fidelity simulations, reducing analysis time by two
orders of magnitude.
- Abstract(参考訳): レーザー粉末層融合(L-PBF)の欠陥は、しばしば溶融プールとして知られるレーザー近傍の溶融合金のメソスケールのダイナミクスによって生じる。
例えば、溶融プールは、最終部分における望ましくないポーシティ、残留応力、表面粗さの形成に直接寄与することができる。
3次元メルトプール物理場の実験的なその場モニタリングは、プロセスにかかわる短時間と時間スケールのため困難である。
マルチ物理シミュレーション法は融解プールの3次元力学を記述することができるが、キーホールポロシティの形成のような複雑な効果の正確な予測に必要なメッシュ精錬では計算コストがかかる。
そこで本研究では,確率的拡散フレームワークに基づく生成的深層学習モデルを構築し,低忠実度,粗粒度シミュレーション情報を高忠実度にマッピングする。
これにより,複数の高忠実度シミュレーションを行う計算コストを回避し,代わりに軽量な粗いメッシュシミュレーションをスケールアップする。
具体的には, 2次元拡散モデルを実装し, 粗シミュレーションされたメルトプールを高忠実度に拡張する。
本研究では, 地盤真理シミュレーションデータと拡散モデル出力(温度場, 融解プール次元, キーホール蒸気キャビティの変動など)との融解過程における重要な指標の保存を実証する。
具体的には,低忠実度入力データ4$\times$粗い値に基づいて,融解プール深さを3$\mu m$以内で予測し,解析時間を2桁に短縮する。
関連論文リスト
- Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳(メタデータ) (2023-06-23T07:53:09Z) - Surrogate Modeling of Melt Pool Thermal Field using Deep Learning [0.0]
我々は,レーザーパワー,レーザー速度,時間ステップという3つのパラメータを入力として,溶融プールの3次元熱場の挙動を予測できる畳み込みニューラルネットワークを訓練する。
このネットワークは、温度場に対して相対的なルート平均正方形誤差を2%から3%とし、融解プール面積の予測において平均80%から90%のユニオンスコアに対するインターセクションを達成している。
論文 参考訳(メタデータ) (2022-07-25T15:27:16Z) - 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) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳(メタデータ) (2022-02-26T12:39:19Z) - Normalizing flows for atomic solids [67.70049117614325]
原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。
以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-11-16T18:54:49Z) - Constructing Sub-scale Surrogate Model for Proppant Settling in Inclined
Fractures from Simulation Data with Multi-fidelity Neural Network [1.045294624175056]
傾斜流路における粒子沈降は, シェールガスの油圧破砕時に発生する重要な現象である。
そこで本研究では,MFNN(Multi-fidelity Neural Network)と呼ばれる新しい手法を提案し,その利用法について述べる。
この結果から,MFNN を用いたセッティングサロゲートの構築により,高忠実度データの必要性を低減し,計算コストを80%削減できることが示唆された。
これにより、貯水池でのプロパント沈降速度を迅速に予測する新しい経路が開かれる。
論文 参考訳(メタデータ) (2021-09-25T08:31:33Z) - Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$
sequestration [4.635171370680939]
3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。
サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
論文 参考訳(メタデータ) (2021-05-04T07:34:15Z) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳(メタデータ) (2020-08-26T20:27:19Z)
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。