論文の概要: Additive Manufacturing Processes Protocol Prediction by Artificial Intelligence using X-ray Computed Tomography data

• arxiv url: http://arxiv.org/abs/2501.14306v1
• Date: Fri, 24 Jan 2025 08:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:08.827368
• Title: Additive Manufacturing Processes Protocol Prediction by Artificial Intelligence using X-ray Computed Tomography data
• Title（参考訳）: X線CTデータを用いた人工知能による追加製造プロセスプロトコル予測
• Authors: Sunita Khod, Akshay Dvivedi, Mayank Goswami,
• Abstract要約: 本研究は,MEX (Material Extrusion) AMプロセスに基づく3つの市販3Dプリンタを含む。 試料は、層の高さとノズル速度の異なる6種類のAMプロセスパラメータに対して3Dプリントされる。 トレーニングされたAIモデルの性能は、古典的しきい値法に基づく2つのソフトウェアツールと比較される。
• 参考スコア（独自算出の注目度）: 4.943054375935879
• License:
• Abstract: The quality of the part fabricated from the Additive Manufacturing (AM) process depends upon the process parameters used, and therefore, optimization is required for apt quality. A methodology is proposed to set these parameters non-iteratively without human intervention. It utilizes Artificial Intelligence (AI) to fully automate the process, with the capability to self-train any apt AI model by further assimilating the training data.This study includes three commercially available 3D printers for soft material printing based on the Material Extrusion (MEX) AM process. The samples are 3D printed for six different AM process parameters obtained by varying layer height and nozzle speed. The novelty part of the methodology is incorporating an AI-based image segmentation step in the decision-making stage that uses quality inspected training data from the Non-Destructive Testing (NDT) method. The performance of the trained AI model is compared with the two software tools based on the classical thresholding method. The AI-based Artificial Neural Network (ANN) model is trained from NDT-assessed and AI-segmented data to automate the selection of optimized process parameters. The AI-based model is 99.3 % accurate, while the best available commercial classical image method is 83.44 % accurate. The best value of overall R for training ANN is 0.82. The MEX process gives a 22.06 % porosity error relative to the design. The NDT-data trained two AI models integrated into a series pipeline for optimal process parameters are proposed and verified by classical optimization and mechanical testing methods.
• Abstract（参考訳）: アダプティブ・マニュファクチャリング(AM)プロセスから作られる部分の品質は、使用されるプロセスパラメータに依存するため、アダプティブ・クオリティに最適化が必要である。 人間の介入なしにこれらのパラメータを非定常的に設定する手法が提案されている。 人工知能(AI)を利用してプロセスを完全に自動化し、トレーニングデータを更に同化することで任意のアプティブAIモデルを自己学習する能力を持つ。この研究には、MEX(Material Extrusion)AMプロセスに基づいた3つの市販のソフトマテリアル印刷用3Dプリンタが含まれている。 試料は、層の高さとノズル速度の異なる6種類のAMプロセスパラメータに対して3Dプリントされる。 方法論の斬新な部分は、非破壊的テスト(NDT)法による品質検査されたトレーニングデータを使用する意思決定段階で、AIベースのイメージセグメンテーションステップを組み込むことである。 トレーニングされたAIモデルの性能は、古典的しきい値法に基づく2つのソフトウェアツールと比較される。 AIベースのArtificial Neural Network(ANN)モデルは、最適化されたプロセスパラメータの選択を自動化するために、NDTアセスメントとAIセグメンテーションデータからトレーニングされる。 AIベースのモデルは99.3 %正確であり、最高の商用古典画像法は83.44 %正確である。 ANNのトレーニングにおける総合Rの最高値は0.82である。 MEXプロセスは設計に対して22.06%のポロシティエラーを与える。 NDTデータで訓練された2つのAIモデルを,プロセスパラメータの最適化のためにシリーズパイプラインに統合し,古典的最適化法と機械的試験法により検証する。

関連論文リスト

• Learning from the Giants: A Practical Approach to Underwater Depth and Surface Normals Estimation [3.0516727053033392]
  本稿では,単眼深度と表面正規化推定(MDSNE)のための新しいディープラーニングモデルを提案する。 これは特に、CNNとTransformerを統合するハイブリッドアーキテクチャを使用して、水中環境向けに調整されている。 我々のモデルはパラメータを90%削減し、トレーニングコストを80%削減し、リソース制約されたデバイス上でリアルタイムな3D認識を可能にする。
  論文  参考訳（メタデータ） (2024-10-02T22:41:12Z)
• Robustness of Explainable Artificial Intelligence in Industrial Process Modelling [43.388607981317016]
  我々は,地中真実シミュレーションと感度解析に基づいて,現在のXAI手法を評価する。 モデル化された産業プロセスの真の感度を正確に予測する能力において,XAI法とXAI法の違いを示す。
  論文  参考訳（メタデータ） (2024-07-12T09:46:26Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Is my Data in your AI Model? Membership Inference Test with Application to Face Images [18.402616111394842]
  この記事では、AI/MLモデルのトレーニング中に与えられたデータが使用されているかどうかを経験的に評価することを目的とした新しいアプローチである、メンバシップ推論テスト(MINT)を紹介します。 本稿では,学習過程に使用されるデータに監査モデルが露出した場合に現れるアクティベーションパターンを学習するための2つのMINTアーキテクチャを提案する。 実験は6つの公開データベースを使って行われ、合計で2200万以上の顔画像で構成されている。
  論文  参考訳（メタデータ） (2024-02-14T15:09:01Z)
• Optimal Parameter and Neuron Pruning for Out-of-Distribution Detection [36.4610463573214]
  我々は,textbfOptimal textbfParameter と textbfNeuron textbfPruning (textbfOPNP) アプローチを提案し,OODサンプルを検出する。 我々の提案は、トレーニングフリーで、他のポストホックメソッドと互換性があり、すべてのトレーニングデータから情報を探索する。
  論文  参考訳（メタデータ） (2024-02-04T07:31:06Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• An adaptive human-in-the-loop approach to emission detection of Additive Manufacturing processes and active learning with computer vision [76.72662577101988]
  In-situ monitoring and process control in Additive Manufacturing (AM) は大量の排出データを収集することを可能にする。 このデータは、3Dプリントされた部品の3Dおよび2D表現への入力として使用できる。 本研究の目的は,機械学習技術を用いた適応型ヒューマン・イン・ザ・ループ手法を提案することである。
  論文  参考訳（メタデータ） (2022-12-12T15:11:18Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• How much progress have we made in neural network training? A New Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
  本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。 評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。 次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
  論文  参考訳（メタデータ） (2020-10-19T21:46:39Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)

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。

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。