論文の概要: Toward data-driven research: preliminary study to predict surface roughness in material extrusion using previously published data with Machine Learning
- arxiv url: http://arxiv.org/abs/2406.14478v1
- Date: Thu, 20 Jun 2024 16:40:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 12:43:03.183035
- Title: Toward data-driven research: preliminary study to predict surface roughness in material extrusion using previously published data with Machine Learning
- Title（参考訳）: データ駆動研究に向けて:機械学習を用いた材料押出成形における表面粗さ予測のための予備的研究
- Authors: Fátima García-Martínez, Diego Carou, Francisco de Arriba-Pérez, Silvia García-Méndez,
- Abstract要約: 本研究の目的は, 材料押出時の表面粗さを最適化するための大規模な実験プログラムの使用を避けることである。
提案手法は機械学習モデルを利用して表面粗さを自動的に予測する。
- 参考スコア（独自算出の注目度）: 4.589830030258457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Material extrusion is one of the most commonly used approaches within the additive manufacturing processes available. Despite its popularity and related technical advancements, process reliability and quality assurance remain only partially solved. In particular, the surface roughness caused by this process is a key concern. To solve this constraint, experimental plans have been exploited to optimize surface roughness in recent years. However, the latter empirical trial and error process is extremely time- and resource-consuming. Thus, this study aims to avoid using large experimental programs to optimize surface roughness in material extrusion. Methodology. This research provides an in-depth analysis of the effect of several printing parameters: layer height, printing temperature, printing speed and wall thickness. The proposed data-driven predictive modeling approach takes advantage of Machine Learning models to automatically predict surface roughness based on the data gathered from the literature and the experimental data generated for testing. Findings. Using 10-fold cross-validation of data gathered from the literature, the proposed Machine Learning solution attains a 0.93 correlation with a mean absolute percentage error of 13 %. When testing with our own data, the correlation diminishes to 0.79 and the mean absolute percentage error reduces to 8 %. Thus, the solution for predicting surface roughness in extrusion-based printing offers competitive results regarding the variability of the analyzed factors. Originality. As available manufacturing data continue to increase on a daily basis, the ability to learn from these large volumes of data is critical in future manufacturing and science. Specifically, the power of Machine Learning helps model surface roughness with limited experimental tests.
- Abstract（参考訳）: 物質押出は、利用可能な添加製造プロセスの中で最もよく使われるアプローチの1つである。
その人気と技術進歩にもかかわらず、プロセスの信頼性と品質保証は部分的にしか解決されていない。
特に、このプロセスによって引き起こされる表面粗さは重要な懸念事項である。
この制約を解決するために、近年、表面粗さを最適化するために実験的な計画が活用されている。
しかしながら、後者の実証的な試行錯誤プロセスは非常に時間とリソースがかかります。
そこで本研究では,材料押出時の表面粗さを最適化するための大規模な実験プログラムの使用を避けることを目的としている。
方法論。
本研究は, 層の高さ, 印刷温度, 印刷速度, 壁厚など, 印刷パラメータの影響を詳細に解析する。
提案手法は機械学習モデルを利用して,文献から収集したデータとテスト用に生成された実験データに基づいて表面粗さを自動的に予測する。
発見。
文献から収集したデータの10倍のクロスバリデーションを用いて、提案した機械学習ソリューションは、平均絶対パーセンテージ誤差13%と、0.93の相関を達成している。
我々のデータでテストする場合、相関は0.79に減少し、平均絶対パーセンテージ誤差は8%に低下する。
したがって, 押出成形における表面粗さ予測の解は, 解析因子の変動性に関する競合的な結果をもたらす。
オリジナル。
利用可能な製造データが日々増え続けているため、これらの大量のデータから学ぶ能力は、将来の製造と科学において重要である。
具体的には、機械学習のパワーは、限られた実験テストで表面粗さをモデル化するのに役立つ。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - The effect of dataset size and the process of big data mining for investigating solar-thermal desalination by using machine learning [0.0]
本研究は, 代表的なソーラースチールのための最適化されたデータセット収集と解析プロセスを開発する。
1000以上のデータセットが収集され、これは最新の作業よりも1桁近く大きい。
論文 参考訳（メタデータ） (2023-07-24T08:11:59Z) - Employing Explainable Artificial Intelligence (XAI) Methodologies to
Analyze the Correlation between Input Variables and Tensile Strength in
Additively Manufactured Samples [0.0]
本研究では, インフィルパーセンテージ, 層高さ, 押出温度, 印刷速度などの入力パラメータが, 添加物製造による引張強度に及ぼす影響について検討した。
我々は、初めて説明可能な人工知能(XAI)技術を導入し、データの分析とシステムの振る舞いに関する貴重な洞察を得ることを可能にした。
その結果, 浸透率と押出温度が引張強度に最も大きな影響を与えているのに対し, 層高と印刷速度の影響は比較的小さいことがわかった。
論文 参考訳（メタデータ） (2023-05-28T21:44:25Z) - Standardized Benchmark Dataset for Localized Exposure to a Realistic
Source at 10$-$90 GHz [5.508864309471448]
本稿では,現実的な情報源への様々な露出を考慮した高忠実度数値データからなる,包括的でオープンソースなデータセットを提案する。
合成データセットに基づいて皮膚表面の最大温度上昇を予測するサロゲートモデルをすべて取り付けた。
論文 参考訳（メタデータ） (2023-05-03T16:48:01Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - On the Interaction Between Differential Privacy and Gradient Compression
in Deep Learning [55.22219308265945]
差分プライバシーと勾配圧縮のガウス的メカニズムがディープラーニングにおけるテスト精度にどのように影響するかを考察する。
勾配圧縮は一般に非プライベートトレーニングではテスト精度に悪影響を及ぼすが、差分プライベートトレーニングではテスト精度を改善することがある。
論文 参考訳（メタデータ） (2022-11-01T20:28:45Z) - Data-driven and Automatic Surface Texture Analysis Using Persistent
Homology [1.370633147306388]
合成表面の粗さレベルを分類するためのトポロジカルデータ解析(TDA)手法を提案する。
我々は、表面の形状に関する情報をカプセル化する永続化図を生成する。
次に、Carlsson座標、永続画像、テンプレート関数を用いて、各表面またはプロファイルの特徴行列を求める。
論文 参考訳（メタデータ） (2021-10-19T14:19:58Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - Chemical Property Prediction Under Experimental Biases [26.407895054724452]
本研究は,実験データセットにおけるバイアス軽減に焦点を当てた。
我々は因果推論とグラフニューラルネットワークを組み合わせた2つの手法を用いて分子構造を表現した。
4つのバイアスシナリオによる実験結果から,逆確率スコアリング法と反実回帰法が確固たる改善をもたらしたことが示唆された。
論文 参考訳（メタデータ） (2020-09-18T08:40:57Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
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。