論文の概要: Towards a Digital Twin Framework in Additive Manufacturing: Machine
Learning and Bayesian Optimization for Time Series Process Optimization
- arxiv url: http://arxiv.org/abs/2402.17718v1
- Date: Tue, 27 Feb 2024 17:53:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 15:17:00.963499
- Title: Towards a Digital Twin Framework in Additive Manufacturing: Machine
Learning and Bayesian Optimization for Time Series Process Optimization
- Title（参考訳）: 付加生産におけるディジタルツインフレームワークを目指して: 時系列プロセス最適化のための機械学習とベイジアン最適化
- Authors: Vispi Karkaria, Anthony Goeckner, Rujing Zha, Jie Chen, Jianjing
Zhang, Qi Zhu, Jian Cao, Robert X. Gao, Wei Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.469801991143546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Laser-directed-energy deposition (DED) offers advantages in additive
manufacturing (AM) for creating intricate geometries and material grading. Yet,
challenges like material inconsistency and part variability remain, mainly due
to its layer-wise fabrication. A key issue is heat accumulation during DED,
which affects the material microstructure and properties. While closed-loop
control methods for heat management are common in DED research, few integrate
real-time monitoring, physics-based modeling, and control in a unified
framework. Our work presents a digital twin (DT) framework for real-time
predictive control of DED process parameters to meet specific design
objectives. We develop a surrogate model using Long Short-Term Memory
(LSTM)-based machine learning with Bayesian Inference to predict temperatures
in DED parts. This model predicts future temperature states in real time. We
also introduce Bayesian Optimization (BO) for Time Series Process Optimization
(BOTSPO), based on traditional BO but featuring a unique time series process
profile generator with reduced dimensions. BOTSPO dynamically optimizes
processes, identifying optimal laser power profiles to attain desired
mechanical properties. The established process trajectory guides online
optimizations, aiming to enhance performance. This paper outlines the digital
twin framework's components, promoting its integration into a comprehensive
system for AM.
- Abstract（参考訳）: 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。
しかし、材料不整合や部品のばらつきといった課題は、主に層状製造のために残っている。
ded中の熱の蓄積は材料の微細構造や特性に影響を与える。
熱管理のためのクローズドループ制御法はDED研究では一般的であるが、リアルタイムモニタリング、物理に基づくモデリング、統合されたフレームワークでの制御を統合するものは少ない。
本研究では,DEDプロセスパラメータをリアルタイムに予測制御し,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。
本研究では,Long Short-Term Memory (LSTM) を用いたベイジアン推論によるサーロゲートモデルを構築し,DED部分の温度を予測する。
このモデルは、将来の温度状態をリアルタイムで予測する。
また,従来のBOをベースとした時系列プロセス最適化(BOTSPO)のためのベイズ最適化(BO)を導入し,次元を縮小した独自の時系列プロセスプロファイル生成器を特徴とする。
BOTSPOはプロセスの最適化を動的に行い、最適なレーザーパワープロファイルを特定して望ましい機械特性を得る。
確立されたプロセス軌道は、パフォーマンス向上を目的としたオンライン最適化を導く。
本稿では,デジタルツインフレームワークのコンポーネントについて概説し,AMの総合システムへの統合を促進する。
関連論文リスト
- Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。
3つの戦略を含む新しい量子化フレームワークを導入する。
このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
論文 参考訳（メタデータ） (2024-07-28T17:46:15Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
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。
論文 参考訳（メタデータ） (2024-01-04T18:42:28Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Reduced Order Modeling of a MOOSE-based Advanced Manufacturing Model
with Operator Learning [2.517043342442487]
先進的製造(AM)は、核材料への潜在的な応用について、原子力コミュニティに多大な関心を集めている。
1つの課題は、実行時に製造プロセスを制御することによって、望ましい材料特性を得ることである。
深部強化学習(DRL)に基づくインテリジェントAMは、最適な設計変数を生成するためのプロセスレベルの自動制御機構に依存している。
論文 参考訳（メタデータ） (2023-08-18T17:38:00Z) - A Dynamic Feedforward Control Strategy for Energy-efficient Building
System Operation [59.56144813928478]
現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。
本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。
典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
論文 参考訳（メタデータ） (2023-01-23T09:07:07Z) - Predicting Surface Texture in Steel Manufacturing at Speed [81.90215579427463]
亜鉛めっきおよび熱間圧延過程における鋼板の表面テクスチャの制御は,顧客要求を満たすために不可欠である。
本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。
論文 参考訳（メタデータ） (2023-01-20T12:11:03Z) - Automated Few-Shot Time Series Forecasting based on Bi-level Programming [5.760976250387322]
本稿では,バイレベルプログラミングの観点から,数発の学習パイプラインの最適設計を自動化するBiLO-Auto-TSF/MLフレームワークを開発する。
提案したBiLO-Auto-TSF/MLフレームワークの有効性を総合的に検証した。
論文 参考訳（メタデータ） (2022-03-07T12:15:14Z) - Surrogate Modelling for Injection Molding Processes using Machine
Learning [0.23090185577016442]
射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。
モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。
我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
論文 参考訳（メタデータ） (2021-07-30T12:13:52Z) - End-to-end deep metamodeling to calibrate and optimize energy loads [0.0]
本研究では,大規模建物のエネルギー性能と快適性,空気質,衛生性を最適化する新しいエンド・ツー・エンド手法を提案する。
シミュレーションプログラムでサンプル化したデータセットを用いてトランスフォーマーネットワークに基づくメタモデルを導入,訓練する。
論文 参考訳（メタデータ） (2020-06-19T07:40:11Z)
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。