Fugu-MT 論文翻訳(概要): Virtual Foundry Graphnet for Metal Sintering Deformation Prediction

論文の概要: Virtual Foundry Graphnet for Metal Sintering Deformation Prediction

arxiv url: http://arxiv.org/abs/2404.11753v1
Date: Wed, 17 Apr 2024 21:11:12 GMT
ステータス: 処理完了
システム内更新日: 2024-04-19 20:00:41.804212
Title: Virtual Foundry Graphnet for Metal Sintering Deformation Prediction
Title（参考訳）: 金属焼結変形予測のための仮想鋳物グラフネット
Authors: Rachel, Chen, Juheon Lee, Chuang Gan, Zijiang Yang, Mohammad Amin Nabian, Jun Zeng,
Abstract要約: 我々は、部分変形を予測するために、グラフベースのディープラーニングアプローチを使用します。十分に訓練された金属焼結推論エンジンを実行するには、最終的な焼結変形値を得るのに数秒しかかからない。
参考スコア（独自算出の注目度）: 87.44136293798721
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Metal Sintering is a necessary step for Metal Injection Molded parts and binder jet such as HP's metal 3D printer. The metal sintering process introduces large deformation varying from 25 to 50% depending on the green part porosity. In this paper, we use a graph-based deep learning approach to predict the part deformation, which can speed up the deformation simulation substantially at the voxel level. Running a well-trained Metal Sintering inferencing engine only takes a range of seconds to obtain the final sintering deformation value. The tested accuracy on example complex geometry achieves 0.7um mean deviation for a 63mm testing part.
Abstract（参考訳）: 金属焼結は、HPの金属3Dプリンターのような金属射出成形部品やバインダージェットにとって必要なステップである。金属焼結工程では、緑色の部分ポーシティによって25〜50%の変形が生じる。本稿では, 部分変形の予測にグラフに基づく深層学習法を用い, ボクセルレベルでの変形シミュレーションを著しく高速化する。十分に訓練された金属焼結推論エンジンを実行するには、最終的な焼結変形値を得るのに数秒しかかからない。複素幾何学の検定精度は63mm試験部の平均偏差0.7umに達する。

関連論文リスト

Accelerating Process Development for 3D Printing of New Metal Alloys [0.0]
プロセスマッピングは、許容できる印刷品質を一貫して生成する最適なプロセスパラメータを決定するために不可欠である。プロセスマッピングは通常、従来の方法で行われ、実験の設計や印刷部品のエクスシチュアライゼーションに使用される。ビデオビジョントランスと高速イメージングを用いたレーザ-金属間相互作用における溶融金属力学の時間的特徴を取り入れることで,これらの制約を緩和する。
論文参考訳（メタデータ） (2023-12-29T19:46:18Z)
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)
Metal-conscious Embedding for CBCT Projection Inpainting [6.94542730064006]
コーンビームCT(CBCT)の投影画像における金属インプラントの存在は、望ましくないアーティファクトを導入している。本研究では,視覚変換器(ViT)と畳み込みニューラルネットワークを組み合わせたハイブリッドネットワークを,塗装作業のベースラインネットワークとして提案する。
論文参考訳（メタデータ） (2022-11-29T13:55:49Z)
Metal artifact correction in cone beam computed tomography using synthetic X-ray data [0.0]
解剖学に挿入された金属インプラントは、再建された画像に深刻なアーティファクトを引き起こす。 1つのアプローチは、プロジェクションに金属を分割するために深層学習法を使用することである。比較的少数の光子を用いたシミュレーションは, 金属セグメンテーションに適していることを示す。
論文参考訳（メタデータ） (2022-08-17T13:31:38Z)
ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object Manipulation [135.10594078615952]
本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
論文参考訳（メタデータ） (2022-03-14T04:56:55Z)
Deciphering Cryptic Behavior in Bimetallic Transition Metal Complexes with Machine Learning [0.856335408411906]
我々は, 金属-金属結合の程度を予測するために, 330個の構造的特徴を持つヘテロビメタルのサブセット上で回帰モデルを訓練した。我々の研究は、有理二金属設計の指針を提供し、形式比を含む特性は、ある期間から別の期間に転移可能であることを示唆している。
論文参考訳（メタデータ） (2021-07-29T19:01:56Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
DeepMetaHandles: Learning Deformation Meta-Handles of 3D Meshes with Biharmonic Coordinates [31.317344570058058]
DeepMetaHandlesはメッシュ変形に基づく3D条件生成モデルである。私たちは、与えられたハンドルの組み合わせとして表現される各形状のメタハンドルのセットを学びます。新しい変形は、特定の範囲のメタハンドルの係数をサンプリングすることによって生成することができる。
論文参考訳（メタデータ） (2021-02-18T01:31:26Z)
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)
Training with Quantization Noise for Extreme Model Compression [57.51832088938618]
与えられたモデルサイズに対する精度を最大化しながら、コンパクトなモデルを作成するという問題に取り組む。標準的な解決策は、トレーニング中に重みが定量化され、勾配がストレート・スルー推定器に近似される量子化意識訓練(Quantization Aware Training)でネットワークをトレーニングすることである。本稿では, この手法を, 極端な圧縮法を用いて, int8 の固定点量子化を超えて機能するように拡張する。
論文参考訳（メタデータ） (2020-04-15T20:10:53Z)

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。