論文の概要: Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2505.01424v1
• Date: Fri, 02 May 2025 17:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.100473
• Title: Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing
• Title（参考訳）: 金属添加物製造における組織モデリングのための計算・データ駆動・物理インフォームド機械学習アプローチ
• Authors: D. Patel, R. Sharma, Y. B. Guo,
• Abstract要約: 金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal additive manufacturing enables unprecedented design freedom and the production of customized, complex components. However, the rapid melting and solidification dynamics inherent to metal AM processes generate heterogeneous, non-equilibrium microstructures that significantly impact mechanical properties and subsequent functionality. Predicting microstructure and its evolution across spatial and temporal scales remains a central challenge for process optimization and defect mitigation. While conventional experimental techniques and physics-based simulations provide a physical foundation and valuable insights, they face critical limitations. In contrast, data-driven machine learning offers an alternative prediction approach and powerful pattern recognition but often operate as black-box, lacking generalizability and physical consistency. To overcome these limitations, physics-informed machine learning, including physics-informed neural networks, has emerged as a promising paradigm by embedding governing physical laws into neural network architectures, thereby enhancing accuracy, transparency, data efficiency, and extrapolation capabilities. This work presents a comprehensive evaluation of modeling strategies for microstructure prediction in metal AM. The strengths and limitations of experimental, computational, and data-driven methods are analyzed in depth, and highlight recent advances in hybrid PIML frameworks that integrate physical knowledge with ML. Key challenges, such as data scarcity, multi-scale coupling, and uncertainty quantification, are discussed alongside future directions. Ultimately, this assessment underscores the importance of PIML-based hybrid approaches in enabling predictive, scalable, and physically consistent microstructure modeling for site-specific, microstructure-aware process control and the reliable production of high-performance AM components.
• Abstract（参考訳）: 金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 しかし、金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、機械的特性とその後の機能に大きな影響を及ぼす不均一な非平衡構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。 従来の実験技術や物理に基づくシミュレーションは、物理的な基礎と価値ある洞察を提供するが、それらは重大な限界に直面している。 対照的に、データ駆動機械学習は代替の予測アプローチと強力なパターン認識を提供するが、一般化性と物理的な一貫性に欠けるブラックボックスとして運用されることが多い。 これらの制限を克服するため、物理インフォームドニューラルネットワークを含む物理インフォームド機械学習は、物理法則をニューラルネットワークアーキテクチャに組み込むことで、精度、透明性、データ効率、外挿能力を向上することで、有望なパラダイムとして浮上した。 本研究は,金属AMの微細構造予測のためのモデリング戦略を総合的に評価するものである。 実験,計算,データ駆動手法の長所と短所を深く分析し,物理知識をMLに統合するハイブリッドPIMLフレームワークの最近の進歩を強調した。 データ不足、マルチスケール結合、不確実性定量化といった主な課題は、今後の方向性とともに議論されている。 最終的に、この評価はPIMLベースのハイブリッドアプローチの重要性を浮き彫りにして、予測的、スケーラブルで、物理的に一貫したマイクロ構造モデリングを可能にし、サイト固有の、ミクロ構造を意識したプロセス制御と高性能AMコンポーネントの信頼性の高い生産を可能にした。

関連論文リスト

• Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
  本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。 我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。 高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
  論文  参考訳（メタデータ） (2025-03-19T12:15:35Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• An Augmented Surprise-guided Sequential Learning Framework for Predicting the Melt Pool Geometry [4.021352247826289]
  メタリック・アダプティブ・マニュファクチャリング(MAM)は、複雑な設計、最小限の廃棄物、迅速なプロトタイピング、素材の汎用性、カスタマイズされたソリューションなどの利点を提供する製造業を再構築した。 MAMの成功の重要な側面は、プロセスパラメータとメルトプール特性の関係を理解することである。 従来の機械学習(ML)メソッドは、有効ではあるが、複雑な関係をキャプチャするための大規模なデータセットに依存している。 本研究は,新たなサプライズ誘導型シーケンシャルラーニングフレームワークであるSurpriseAF-BOを導入し,MAMの大幅な変化を示唆するものである。
  論文  参考訳（メタデータ） (2024-01-10T23:05:23Z)
• Mechanical Characterization and Inverse Design of Stochastic Architected Metamaterials Using Neural Operators [2.4918888803900727]
  機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。 ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。 2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5～10%の範囲内であることが判明した。
  論文  参考訳（メタデータ） (2023-11-23T05:23:15Z)
• A hybrid machine learning framework for clad characteristics prediction in metal additive manufacturing [0.0]
  金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。 MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。 機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
  論文  参考訳（メタデータ） (2023-07-04T18:32:41Z)
• Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs [39.393383789980895]
  硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
  論文  参考訳（メタデータ） (2023-02-01T00:50:16Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)
• 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)
• 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。