論文の概要: DeepForge: Leveraging AI for Microstructural Control in Metal Forming via Model Predictive Control

• arxiv url: http://arxiv.org/abs/2402.16119v1
• Date: Sun, 25 Feb 2024 15:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 15:26:49.318416
• Title: DeepForge: Leveraging AI for Microstructural Control in Metal Forming via Model Predictive Control
• Title（参考訳）: deepforge: モデル予測制御による金属成形の組織制御にaiを活用する
• Authors: Jan Petrik and Markus Bambach
• Abstract要約: 本研究では, 閉鎖型熱間鍛造における組織制御手法を提案する。 Model PredictiveCMPとDeepForgeというマシンを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a novel method for microstructure control in closed die hot forging that combines Model Predictive Control (MPC) with a developed machine learning model called DeepForge. DeepForge uses an architecture that combines 1D convolutional neural networks and gated recurrent units. It uses surface temperature measurements of a workpiece as input to predict microstructure changes during forging. The paper also details DeepForge's architecture and the finite element simulation model used to generate the data set, using a three-stroke forging process. The results demonstrate DeepForge's ability to predict microstructure with a mean absolute error of 0.4$\pm$0.3%. In addition, the study explores the use of MPC to adjust inter-stroke wait times, effectively counteracting temperature disturbances to achieve a target grain size of less than 35 microns within a specific 2D region of the workpiece. These results are then verified experimentally, demonstrating a significant step towards improved control and quality in forging processes where temperature can be used as an additional degree of freedom in the process.
• Abstract（参考訳）: 本研究では,モデル予測制御(MPC)とDeepForgeと呼ばれる機械学習モデルを組み合わせた閉鎖型熱間鍛造における組織制御手法を提案する。 deepforgeは1d畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアーキテクチャを使用している。 ワークの表面温度測定を入力として、鍛造時の組織変化を予測する。 また、DeepForgeのアーキテクチャと3ストローク鍛造プロセスを用いてデータセットを生成するために使用される有限要素シミュレーションモデルについても詳述する。 結果は、deepforgeが平均絶対誤差0.4$\pm$0.3%で微構造を予測する能力を示している。 さらに, 作業中の待ち時間を調整するため, MPCを用いて温度変動を効果的に防止し, 作業の特定の2D領域内で35ミクロン未満の目標粒径を実現することを検討した。 これらの結果は実験的に検証され、温度をさらなる自由度として使用できる鍛造プロセスにおいて、制御と品質を向上させるための重要なステップを示す。

関連論文リスト

• SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images [4.875868958100446]
  走査型電子顕微鏡画像(SEM)を自動的にセグメント化する手法であるSEMU-Netを導入し,それらを用いて,U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。 予測モデルは製造に伴う変動を予測し、補正モデルはこれらの問題に対処するために設計を調整する。 実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
  論文  参考訳（メタデータ） (2024-11-25T22:49:59Z)
• Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
  本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。 畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。 このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
  論文  参考訳（メタデータ） (2024-07-20T21:24:11Z)
• To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
  LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。 LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-06T09:55:03Z)
• Deep convolutional encoder-decoder hierarchical neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。 高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。 モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)
• Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation [41.38091115195305]
  本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。 ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。 現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
  論文  参考訳（メタデータ） (2023-10-12T15:03:50Z)
• 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)
• A Three-regime Model of Network Pruning [47.92525418773768]
  我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。 プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。 本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-28T08:09:25Z)
• 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)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
  ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。 現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。 そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:33:44Z)

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。