論文の概要: Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2401.02403v1
- Date: Thu, 4 Jan 2024 18:42:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 14:21:12.693161
- Title: Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks
- Title(参考訳): 物理インフォームドニューラルネットワークを用いた金属添加物のリアルタイム2次元温度場予測
- Authors: Pouyan Sajadi, Mostafa Rahmani Dehaghani, Yifan Tang, G. Gary Wang
- Abstract要約: 金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。
本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
- 参考スコア(独自算出の注目度): 1.9116784879310036
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurately predicting the temperature field in metal additive manufacturing
(AM) processes is critical to preventing overheating, adjusting process
parameters, and ensuring process stability. While physics-based computational
models offer precision, they are often time-consuming and unsuitable for
real-time predictions and online control in iterative design scenarios.
Conversely, machine learning models rely heavily on high-quality datasets,
which can be costly and challenging to obtain within the metal AM domain. Our
work addresses this by introducing a physics-informed neural network framework
specifically designed for temperature field prediction in metal AM. This
framework incorporates a physics-informed input, physics-informed loss
function, and a Convolutional Long Short-Term Memory (ConvLSTM) architecture.
Utilizing real-time temperature data from the process, our model predicts 2D
temperature fields for future timestamps across diverse geometries, deposition
patterns, and process parameters. We validate the proposed framework in two
scenarios: full-field temperature prediction for a thin wall and 2D temperature
field prediction for cylinder and cubic parts, demonstrating errors below 3%
and 1%, respectively. Our proposed framework exhibits the flexibility to be
applied across diverse scenarios with varying process parameters, geometries,
and deposition patterns.
- Abstract(参考訳): 金属添加物製造(AM)プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。
物理ベースの計算モデルは精度を提供するが、反復設計シナリオにおけるリアルタイム予測やオンライン制御には適さないことが多い。
逆に、マシンラーニングモデルは高品質なデータセットに大きく依存しているため、メタルamドメイン内ではコストがかかり、困難になる可能性がある。
本研究は,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを導入することで,この問題に対処する。
このフレームワークには、物理情報入力、物理情報損失関数、畳み込み長短期記憶(ConvLSTM)アーキテクチャが含まれる。
プロセスからリアルタイムな温度データを利用することで、様々な地形、沈着パターン、プロセスパラメータにわたる将来のタイムスタンプの2次元温度場を予測する。
提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
提案フレームワークは,プロセスパラメータ,ジオメトリ,堆積パターンの異なる多様なシナリオにまたがって適用可能な柔軟性を示す。
関連論文リスト
- Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳(メタデータ) (2024-05-22T16:21:02Z) - Towards a Digital Twin Framework in Additive Manufacturing: Machine
Learning and Bayesian Optimization for Time Series Process Optimization [10.469801991143546]
レーザー指向エネルギー堆積(DED)は、複雑なジオメトリーと材料グレーディングを作るための添加性製造(AM)の利点を提供する。
鍵となる問題は、DED中の熱蓄積であり、それは材料のミクロ構造と性質に影響を与える。
本稿では、DEDプロセスパラメータをリアルタイムに予測制御し、特定の設計目的を満たすためのデジタルツイン(DT)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-27T17:53:13Z) - Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳(メタデータ) (2023-12-01T05:38:17Z) - Capturing Local Temperature Evolution during Additive Manufacturing
through Fourier Neural Operators [0.0]
本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。
直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。
その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
論文 参考訳(メタデータ) (2023-07-04T16:17:59Z) - Physics-constrained deep learning postprocessing of temperature and
humidity [0.0]
深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。
熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
論文 参考訳(メタデータ) (2022-12-07T09:31:25Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain [12.264200001067797]
本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。
数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
論文 参考訳(メタデータ) (2022-03-15T08:43:24Z) - Deep learning for surrogate modelling of 2D mantle convection [1.7499351967216341]
深層学習技術は偏微分方程式のパラメータ化サロゲートを安定に生成できることを示す。
まず、畳み込みオートエンコーダを用いて温度場を142倍圧縮する。
次に、FNNおよび長寿命メモリネットワーク(LSTM)を用いて、圧縮されたフィールドを予測する。
論文 参考訳(メタデータ) (2021-08-23T12:13:04Z) - 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) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。