論文の概要: Data-Driven, Parameterized Reduced-order Models for Predicting Distortion in Metal 3D Printing
- arxiv url: http://arxiv.org/abs/2412.04577v1
- Date: Thu, 05 Dec 2024 19:47:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:55:13.926821
- Title: Data-Driven, Parameterized Reduced-order Models for Predicting Distortion in Metal 3D Printing
- Title(参考訳): 金属3Dプリンティングにおける歪み予測のためのデータ駆動パラメタライズドリダクションモデル
- Authors: Indu Kant Deo, Youngsoo Choi, Saad A. Khairallah, Alexandre Reikher, Maria Strantza,
- Abstract要約: 本研究では, レーザ粉層融合(LPBF)における歪み予測のためのデータ駆動型パラメータ化低次モデル(ROM)を提案する。
本稿では,正規直交分解(POD)とガウスプロセス回帰(GPR)を組み合わせたROMフレームワークを提案し,その性能をディープラーニングに基づくパラメータ化グラフ畳み込みオートエンコーダ(GCA)と比較する。
POD-GPRモデルは高い精度を示し、pm0.001mm$以内の歪みを予測し、約1800倍の計算速度を提供する。
- 参考スコア(独自算出の注目度): 39.58317527488534
- License:
- Abstract: In Laser Powder Bed Fusion (LPBF), the applied laser energy produces high thermal gradients that lead to unacceptable final part distortion. Accurate distortion prediction is essential for optimizing the 3D printing process and manufacturing a part that meets geometric accuracy requirements. This study introduces data-driven parameterized reduced-order models (ROMs) to predict distortion in LPBF across various machine process settings. We propose a ROM framework that combines Proper Orthogonal Decomposition (POD) with Gaussian Process Regression (GPR) and compare its performance against a deep-learning based parameterized graph convolutional autoencoder (GCA). The POD-GPR model demonstrates high accuracy, predicting distortions within $\pm0.001mm$, and delivers a computational speed-up of approximately 1800x.
- Abstract(参考訳): レーザー粉層融合(LPBF)では、印加されたレーザーエネルギーは高い熱勾配を生じ、許容できない最終部分の歪みを引き起こす。
正確な歪み予測は、3Dプリンティングプロセスの最適化と、幾何学的精度の要求を満たす部品の製造に不可欠である。
本研究では,データ駆動型パラメータ化リダクションモデル(ROM)を導入し,各種プロセス設定におけるLPBFの歪みを予測する。
本稿では,固有直交分解(POD)とガウスプロセス回帰(GPR)を組み合わせたROMフレームワークを提案し,その性能をディープラーニングに基づくパラメータ化グラフ畳み込みオートエンコーダ(GCA)と比較する。
POD-GPRモデルは高い精度を示し、$\pm0.001mm$以内の歪みを予測し、約1800倍の計算速度を提供する。
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) - DI-PCG: Diffusion-based Efficient Inverse Procedural Content Generation for High-quality 3D Asset Creation [39.08891847512135]
Inverse Procedural Content Generationは入力条件下で最適なパラメータを自動的に見つけることを目的としている。
一般画像からの逆PCGの新規かつ効率的な方法であるDI-PCGを提案する。
7.6Mのネットワークパラメータとトレーニングに30GPU時間しか必要とせず、パラメータを正確に回復する際の優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-12-19T18:58:46Z) - Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
任意のスケールでガウスを適応させる統一最適化法を提案する。
ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。
本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
論文 参考訳(メタデータ) (2024-08-12T16:49:22Z) - PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。
また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
論文 参考訳(メタデータ) (2024-06-14T17:53:55Z) - End-to-End Rate-Distortion Optimized 3D Gaussian Representation [33.20840558425759]
本稿では,コンパクトな3次元ガウス学習をエンドツーエンドのレート・ディストーション最適化問題として定式化する。
動的プルーニングとエントロピー制約ベクトル量子化(ECVQ)を導入し、同時に速度と歪みを最適化する。
RDO-Gaussianが40倍の3Dガウスサイズを大幅に縮小することを示すため,実シーンと合成シーンの両方で本手法の有効性を確認した。
論文 参考訳(メタデータ) (2024-04-09T14:37:54Z) - Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。
本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
論文 参考訳(メタデータ) (2023-12-20T06:10:27Z) - 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) - Conditional variational autoencoder with Gaussian process regression
recognition for parametric models [0.0]
本稿では,ガウス過程回帰認識(CVAE-GPRR)を用いたCVAEの枠組みを提案する。
CVAE-GPRRはCVAEと同様の精度を達成できるが、パラメータは少ない。
CVAE-GPRRはCVAEの過適合問題を緩和する可能性が示唆された。
論文 参考訳(メタデータ) (2023-05-16T17:24:28Z) - 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)
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。