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

• Integrating Multi-Physics Simulations and Machine Learning to Define the Spatter Mechanism and Process Window in Laser Powder Bed Fusion [6.024307115154315]
  本研究では, LPBFにおける多物理現象をシミュレートするために構築した高忠実度モデリングツールを用いて, スパッタ形成機構について検討した。 スパッタの挙動と生成を理解するため, 噴出時の特性を明らかにし, 生成源である溶融プールからの変動を評価する。 分類タスクの相関解析と機械学習(ML)アルゴリズムを用いて,スパッタとメルトプールの関係を評価した。
  論文  参考訳（メタデータ） (2024-05-13T15:08:02Z)
• Deep Neural Operator Enabled Digital Twin Modeling for Additive Manufacturing [9.639126204112937]
  デジタルツイン(DT)は、現実世界の物理的プロセスの仮想ツインとして振る舞う。 L-PBFプロセスの閉ループフィードバック制御のためのディープ・ニューラル演算子を用いたDTの計算フレームワークを提案する。 開発したDTは、AMプロセスのガイドと高品質製造の促進を目的としている。
  論文  参考訳（メタデータ） (2024-05-13T03:53:46Z)
• Deep Learning for Melt Pool Depth Contour Prediction From Surface Thermal Images via Vision Transformers [40.80426609561942]
  レーザー粉層融合(L-PBF)時に発生する溶融プール間の十分な重なり合いは、核融合欠陥の欠如につながる。 高速カラーイメージングにより観察されたその場2色熱画像と溶融プール断面の2次元形状を相関付ける機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-26T20:55:39Z)
• Multi-fidelity surrogate with heterogeneous input spaces for modeling melt pools in laser-directed energy deposition [0.0]
  MFモデリング(Multi-fidelity Modeling)は、様々なフィデリティソースからデータをインテリジェントにブレンドできる強力な統計手法である。 メルトプールモデルの階層をマージするためにMFサロゲートを使用する際の大きな課題は、入力空間における可変性である。 本稿では, 様々な複雑さのモデルを統合することで, 溶融プール形状を予測するためのMFサロゲート構築手法を提案する。
  論文  参考訳（メタデータ） (2024-03-19T20:12:46Z)
• 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)
• 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)

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。