論文の概要: Deep Reinforcement Learning Based Toolpath Generation for Thermal Uniformity in Laser Powder Bed Fusion Process
- arxiv url: http://arxiv.org/abs/2404.07209v1
- Date: Sat, 17 Feb 2024 04:12:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 12:08:31.185732
- Title: Deep Reinforcement Learning Based Toolpath Generation for Thermal Uniformity in Laser Powder Bed Fusion Process
- Title（参考訳）: レーザー粉体融合プロセスにおける熱均一性のための深部強化学習に基づくツールパス生成
- Authors: Mian Qin, Junhao Ding, Shuo Qu, Xu Song, Charlie C. L. Wang, Wei-Hsin Liao,
- Abstract要約: 印刷中の内部残留応力の蓄積は、大きな歪みと潜在的な故障を引き起こす。
深部強化学習(DRL)に基づくツールパス生成フレームワークは,一様分散熱を実現するために開発された。
走査パターンが異なる薄板試料の4群をLPBF法を用いて比較した。
- 参考スコア（独自算出の注目度）: 4.82396387248811
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Laser powder bed fusion (LPBF) is a widely used metal additive manufacturing technology. However, the accumulation of internal residual stress during printing can cause significant distortion and potential failure. Although various scan patterns have been studied to reduce possible accumulated stress, such as zigzag scanning vectors with changing directions or a chessboard-based scan pattern with divided small islands, most conventional scan patterns cannot significantly reduce residual stress. The proposed adaptive toolpath generation (ATG) algorithms, aiming to minimize the thermal gradients, may result in extremely accumulated temperature fields in some cases. To address these issues, we developed a deep reinforcement learning (DRL)-based toolpath generation framework, with the goal of achieving uniformly distributed heat and avoiding extremely thermal accumulation regions during the LPBF process. We first developed an overall pipeline for the DRL-based toolpath generation framework, which includes uniformly sampling, agent moving and environment observation, action selection, moving constraints, rewards calculation, and the training process. To accelerate the training process, we simplified the data-intensive numerical model by considering the turning angles on the toolpath. We designed the action spaces with three options, including the minimum temperature value, the smoothest path, and the second smoothest path. The reward function was designed to minimize energy density to ensure the temperature field remains relatively stable. To verify the effectiveness of the proposed DRL-based toolpath generation framework, we performed numerical simulations of polygon shape printing domains. In addition, four groups of thin plate samples with different scan patterns were compared using the LPBF process.
- Abstract（参考訳）: レーザーパウダーベッド融合(LPBF)は、広く使われている金属添加物製造技術である。
しかし、印刷中の内部残留応力の蓄積は、大きな歪みと潜在的な故障を引き起こす可能性がある。
方向が変化するジグザグスキャンベクターや小島を分割したチェスボード型スキャンパターンなど,様々なスキャンパターンが検討されているが,従来のスキャンパターンでは残留応力を著しく低減することはできない。
熱勾配を最小化するために提案した適応型ツールパス生成(ATG)アルゴリズムは、いくつかの場合において極めて蓄積した温度場をもたらす可能性がある。
これらの課題に対処するため, LPBFプロセス中に均一に分布した熱を発生させ, 極端に熱蓄積領域を回避することを目的とした, 深層強化学習(DRL)に基づくツールパス生成フレームワークを開発した。
DRLベースのツールパス生成フレームワークの全体パイプラインを開発し,一様サンプリング,エージェント移動と環境観測,行動選択,移動制約,報酬計算,トレーニングプロセスを含む。
学習過程を高速化するため,ツールパスの回転角を考慮し,データ集約数値モデルを単純化した。
我々は,最低温度値,最も滑らかな経路,そして第2の滑らかな経路を含む3つのオプションで動作空間を設計した。
報酬関数はエネルギー密度を最小化し、温度場が比較的安定であることを保証するように設計された。
DRLを用いたツールパス生成フレームワークの有効性を検証するため,多角形印刷領域の数値シミュレーションを行った。
また, 走査パターンが異なる薄板試料の4群をLPBF法を用いて比較した。
関連論文リスト
- Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。
前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
論文 参考訳（メタデータ） (2024-11-21T13:44:18Z) - TCI-Former: Thermal Conduction-Inspired Transformer for Infrared Small
Target Detection [58.00308680221481]
赤外線小目標検出(ISTD)は国家安全保障に重要であり、軍事分野で広く応用されている。
ほとんどの ISTD ネットワークは特徴抽出ブロックや特徴融合モジュールの設計に重点を置いているが、特徴写像の進化の観点から ISTD プロセスを記述することは稀である。
熱伝導理論に基づく熱伝導型変圧器(TCI-Former)を提案する。
論文 参考訳（メタデータ） (2024-02-03T05:51:22Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳（メタデータ） (2023-12-05T18:59:41Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳（メタデータ） (2023-10-30T18:43:21Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳（メタデータ） (2023-10-15T18:44:30Z) - Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。
本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文 参考訳（メタデータ） (2023-10-02T11:24:36Z) - Long Short-Term Memory Neural Network for Temperature Prediction in
Laser Powder Bed Additive Manufacturing [0.0]
本稿では,ニューラルネットワークを用いて印刷過程の温度勾配分布を予測する新しい手法を提案する。
この目的は、印刷工程中にプレート全体に生じる極端で不均一な温度分布を避けることである。
論文 参考訳（メタデータ） (2023-01-30T14:06:14Z) - Investigation of reinforcement learning for shape optimization of
profile extrusion dies [1.5293427903448022]
強化学習(Reinforcement Learning, RL)は、学習に基づく最適化アルゴリズムである。
RLは、エージェントと環境との試行錯誤の相互作用に基づいている。
この手法を2つの2次元テストケースに適用して検討する。
論文 参考訳（メタデータ） (2022-12-23T08:53:09Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - A deep learning method based on patchwise training for reconstructing
temperature field [10.422905687540172]
本研究は、限られた観測から電子機器の温度場を正確に再構築するためのパッチワイズトレーニングに基づく新しい深層学習手法を提案する。
再構成された温度場の絶対誤差はパッチワイドトレーニング法で1K未満である。
論文 参考訳（メタデータ） (2022-01-26T10:42:23Z) - Error-Correcting Neural Networks for Semi-Lagrangian Advection in the
Level-Set Method [0.0]
本稿では,画像超解像技術とスカラートランスポートを融合した機械学習フレームワークを提案する。
我々は,インターフェースの粗いメッシュ進化における数値粘度を最小化するために,オンザフライデータ駆動補正を計算できるかどうかを検討する。
論文 参考訳（メタデータ） (2021-10-22T06:36:15Z)
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。