論文の概要: Precision Glass Thermoforming Assisted by Neural Networks

• arxiv url: http://arxiv.org/abs/2411.06762v2
• Date: Tue, 06 May 2025 13:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 14:45:09.100353
• Title: Precision Glass Thermoforming Assisted by Neural Networks
• Title（参考訳）: ニューラルネットワークによる精密ガラスサーモフォーミング
• Authors: Yuzhou Zhang, Mohan Hua, Jinan Liu, Haihui Ruan,
• Abstract要約: 本稿では, 形状誤差を適切に予測できる無次元バックプロパゲーションニューラルネットワーク(BPNN)に基づく代理モデルについて報告する。 シミュレーションと産業データによる試行は、代理モデルが正確な精度で形成誤差を予測できることを示唆している。
• 参考スコア（独自算出の注目度）: 0.7624717642858547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many glass products require thermoformed geometry with high precision. However, the traditional approach of developing a thermoforming process through trials and errors can cause large waste of time and resources and often end up with unsuccessfulness. Hence, there is a need to develop an efficient predictive model, replacing the costly simulations or experiments, to assist the design of precision glass thermoforming. In this work, we report a surrogate model, based on a dimensionless back-propagation neural network (BPNN), that can adequately predict the form errors and thus compensate for these errors in mold design using geometric features and process parameters as inputs. Our trials with simulation and industrial data indicate that the surrogate model can predict forming errors with adequate accuracy. Although perception errors (mold designers' decisions) and mold fabrication errors make the industrial training data less reliable than simulation data, our preliminary training and testing results still achieved a reasonable consistency with industrial data, suggesting that the surrogate models are directly implementable in the glass-manufacturing industry.
• Abstract（参考訳）: 多くのガラス製品は高精度で熱成形された幾何学を必要とする。 しかし、試行錯誤を通じて熱形成プロセスを開発するという従来のアプローチは、大量の時間と資源を浪費し、しばしば失敗に終わる。 したがって、精密ガラス熱成形の設計を支援するために、コストのかかるシミュレーションや実験を置き換える効率的な予測モデルを開発する必要がある。 本研究では, 形状誤差を適切に予測し, 形状特徴とプロセスパラメータを入力として, モールド設計におけるこれらの誤差を補償することのできる, 無次元バックプロパゲーションニューラルネットワーク(BPNN)に基づく代理モデルについて報告する。 シミュレーションおよび産業データを用いた試行により,サロゲートモデルにより形成誤差を精度良く予測できることが示唆された。 認識誤差(設計者の判断)とモールド加工誤差は、シミュレーションデータよりも産業訓練データの信頼性を低くするが、予備訓練と試験結果はまだ産業データとの合理的な整合性を実現しており、ガラス製造業界でサロゲートモデルが直接実装可能であることを示唆している。

関連論文リスト

• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• DoMINO: A Decomposable Multi-scale Iterative Neural Operator for Modeling Large Scale Engineering Simulations [2.300471499347615]
  DoMINOは点クラウドベースの機械学習モデルであり、局所幾何学情報を用いて離散点上の流れ場を予測する。 DoMINOは、DrivAerMLデータセットを使用して、自動車空気力学のユースケースで検証されている。
  論文  参考訳（メタデータ） (2025-01-23T03:28:10Z)
• Thermal-Mechanical Physics Informed Deep Learning For Fast Prediction of Thermal Stress Evolution in Laser Metal Deposition [0.0]
  金属添加物製造(AM)における熱応力の進化を理解することは高品質な部品の製造に不可欠である。 機械学習(ML)の最近の進歩は、金属AMの複雑な多物理問題をモデル化する大きな可能性を示している。 本研究では、物理法則を深層ニューラルネットワーク(NN)に組み込んだ物理インフォームドニューラルネットワーク(PINN)フレームワークを導入し、温度と熱応力の進化を予測する。
  論文  参考訳（メタデータ） (2024-12-25T05:37:48Z)
• Deep Neural Operator Enabled Digital Twin Modeling for Additive Manufacturing [9.639126204112937]
  デジタルツイン(DT)は、現実世界の物理的プロセスの仮想ツインとして振る舞う。 L-PBFプロセスの閉ループフィードバック制御のためのディープ・ニューラル演算子を用いたDTの計算フレームワークを提案する。 開発したDTは、AMプロセスのガイドと高品質製造の促進を目的としている。
  論文  参考訳（メタデータ） (2024-05-13T03:53:46Z)
• Evaluation of GlassNet for physics-informed machine learning of glass stability and glass-forming ability [0.35069196259739965]
  ガラスの安定性(GS)を計算するのに必要な特性温度を予測できるオープンソースのトレーニング済みNNモデルGlassNetの適用について検討する。 本研究では,これらの予測と組み合わせてGSの予測を行い,ランダムな森林モデルがGlassNetに類似した精度を提供することを示す。
  論文  参考訳（メタデータ） (2024-03-15T21:03:34Z)
• Neural Lens Modeling [50.57409162437732]
  NeuroLens(ニューロレンス)は、点投影と光線鋳造に使用できる歪みと磁化のための神経レンズモデルである。 古典的なキャリブレーションターゲットを使用してプリキャプチャのキャリブレーションを行うことができ、後に3D再構成の際にキャリブレーションやリファインメントを行うために使用できる。 このモデルは、多くのレンズタイプにまたがって一般化されており、既存の3D再構成とレンダリングシステムとの統合は容易である。
  論文  参考訳（メタデータ） (2023-04-10T20:09:17Z)
• A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation [9.784061533539822]
  畳み込みニューラルネットワーク(CNN)は、PV細胞の既存の自動欠陥検出に広く用いられている。 本稿では,ニューラルアーキテクチャ探索と知識蒸留に基づくPVセルの自動欠陥検出のための軽量高性能モデルを提案する。 提案した軽量高性能モデルは、実際の産業プロジェクトのエンドデバイスに容易に展開でき、精度を維持できる。
  論文  参考訳（メタデータ） (2023-02-15T04:00:35Z)
• 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)
• Image-based Artificial Intelligence empowered surrogate model and shape morpher for real-time blank shape optimisation in the hot stamping process [3.264571107058741]
  本研究は,画像に基づく人工インテリジェンスを用いたサロゲートモデリング (IAISM) 手法の開発である。 IAISMは任意の空白形状を与えられた as-formed コンポーネントの完全な薄めフィールドを予測するために訓練される。 高精度で汎用的なサロゲートモデリングおよび最適化ツールとして、提案されたパイプラインは、フルチェーンのデジタルツインに統合されることを約束している。
  論文  参考訳（メタデータ） (2022-12-01T20:17:48Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
  そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。 概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
  論文  参考訳（メタデータ） (2021-12-10T12:39:07Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
  形状最適化に適した不確実性に基づく新しい手法を提案する。 効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
  論文  参考訳（メタデータ） (2021-09-28T11:01:42Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Using Bayesian deep learning approaches for uncertainty-aware building energy surrogate models [0.0]
  機械学習シュロゲートモデルは、遅くて高忠実なエンジニアリングシミュレーションモデルをエミュレートするために訓練される。 ベイズパラダイムに従う深層学習モデルが存在する。 その結果, 高い不確実性を有する試料の10%を高忠実度モデルに転送した場合, 誤差を最大30%低減できることがわかった。
  論文  参考訳（メタデータ） (2020-10-05T15:04:18Z)
• Computational Design of Cold Bent Glass Fa\c{c}ades [27.465020742532428]
  コールドベントガラスファサードを設計するためのインタラクティブなデータ駆動手法を提案する。 本手法は,非専門家がパラメトリックな表面をインタラクティブに編集することを可能にする。 我々は,100万以上のシミュレーションから学習した微分可能な混合密度ネットワークを用いて,インタラクティブなフレームレートを実現する。
  論文  参考訳（メタデータ） (2020-09-08T12:14:37Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)
• 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。