論文の概要: Thermal-Mechanical Physics Informed Deep Learning For Fast Prediction of Thermal Stress Evolution in Laser Metal Deposition

• arxiv url: http://arxiv.org/abs/2412.18786v1
• Date: Wed, 25 Dec 2024 05:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:25:37.948121
• Title: Thermal-Mechanical Physics Informed Deep Learning For Fast Prediction of Thermal Stress Evolution in Laser Metal Deposition
• Title（参考訳）: レーザー金属めっきにおける熱応力の高速予測のための熱力学インフォームドディープラーニング
• Authors: R. Sharma, Y. B. Guo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Understanding thermal stress evolution in metal additive manufacturing (AM) is crucial for producing high-quality components. Recent advancements in machine learning (ML) have shown great potential for modeling complex multiphysics problems in metal AM. While physics-based simulations face the challenge of high computational costs, conventional data-driven ML models require large, labeled training datasets to achieve accurate predictions. Unfortunately, generating large datasets for ML model training through time-consuming experiments or high-fidelity simulations is highly expensive in metal AM. To address these challenges, this study introduces a physics-informed neural network (PINN) framework that incorporates governing physical laws into deep neural networks (NNs) to predict temperature and thermal stress evolution during the laser metal deposition (LMD) process. The study also discusses the enhanced accuracy and efficiency of the PINN model when supplemented with small simulation data. Furthermore, it highlights the PINN transferability, enabling fast predictions with a set of new process parameters using a pre-trained PINN model as an online soft sensor, significantly reducing computation time compared to physics-based numerical models while maintaining accuracy.
• Abstract（参考訳）: 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。 物理に基づくシミュレーションは高い計算コストの課題に直面しているが、従来のデータ駆動型MLモデルは正確な予測を達成するためにラベル付きトレーニングデータセットを必要とする。 残念ながら、MLモデルトレーニングのための大規模なデータセットを、時間を要する実験や高忠実度シミュレーションを通じて生成することは、金属AMにおいて非常に高価である。 これらの課題に対処するために、この研究では、物理法則をディープ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、レーザー金属堆積(LMD)プロセス中の温度と熱応力の進化を予測する。 また,シミュレーションデータを補足した場合のPINNモデルの精度と効率の向上についても検討した。 さらに、PINN転送可能性を強調し、トレーニング済みのPINNモデルをオンラインソフトセンサーとして使用して、一連の新しいプロセスパラメータによる高速な予測を可能にし、精度を維持しながら物理ベースの数値モデルと比較して計算時間を著しく短縮する。

関連論文リスト

• 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)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
  金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。 本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。 データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
  論文  参考訳（メタデータ） (2023-07-23T12:12:44Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• 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)
• Hybrid full-field thermal characterization of additive manufacturing processes using physics-informed neural networks with data [5.653328302363391]
  我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。 赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。 その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
  論文  参考訳（メタデータ） (2022-06-15T18:27:10Z)
• 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)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Machine learning for metal additive manufacturing: Predicting temperature and melt pool fluid dynamics using physics-informed neural networks [0.0]
  本稿では,データと最初の物理原理を融合する物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 これは、PINNの3次元AMプロセスモデリングへの最初の応用である。 PINNは、金属AMプロセス中の温度とプールのダイナミクスをある程度のラベル付きデータセットで正確に予測することができる。
  論文  参考訳（メタデータ） (2020-07-28T20:34:38Z)
• 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。