論文の概要: Physics-Informed Machine Learning Regulated by Finite Element Analysis for Simulation Acceleration of Laser Powder Bed Fusion
- arxiv url: http://arxiv.org/abs/2506.20537v1
- Date: Wed, 25 Jun 2025 15:25:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.817286
- Title: Physics-Informed Machine Learning Regulated by Finite Element Analysis for Simulation Acceleration of Laser Powder Bed Fusion
- Title（参考訳）: レーザー粉体融合シミュレーション加速のための有限要素解析による物理インフォーム機械学習
- Authors: R. Sharma, M. Raissi, Y. B. Guo,
- Abstract要約: 本研究では、FEA-Regulated Physics-Informed Neural Network(FEA-PINN)と呼ばれる効率的なモデリングフレームワークを提案する。
PINNモデルは熱容量法を用いて温度依存性の材料特性と相変化挙動を組み込んだ。
FEA-PINNは計算コストを大幅に削減しつつ、FAAと同等の精度を達成している。
- 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: Efficient simulation of Laser Powder Bed Fusion (LPBF) is crucial for process prediction due to the lasting issue of high computation cost using traditional numerical methods such as finite element analysis (FEA). This study presents an efficient modeling framework termed FEA-Regulated Physics-Informed Neural Network (FEA-PINN) to accelerate the thermal field prediction in a LPBF process while maintaining the FEA accuracy. A novel dynamic material updating strategy is developed to capture the dynamic phase change of powder-liquid-solid in the PINN model. The PINN model incorporates temperature-dependent material properties and phase change behavior using the apparent heat capacity method. While the PINN model demonstrates high accuracy with a small training data and enables generalization of new process parameters via transfer learning, it faces the challenge of high computation cost in time-dependent problems due to the residual accumulation. To overcome this issue, the FEA-PINN framework integrates corrective FEA simulations during inference to enforce physical consistency and reduce error drift. A comparative analysis shows that FEA-PINN achieves equivalent accuracy to FEA while significantly reducing computational cost. The framework has been validated using the benchmark FEA data and demonstrated through single-track scanning in LPBF.
- Abstract（参考訳）: 有限要素解析(FEA)などの従来の数値手法を用いた高計算コストの持続的な問題から,レーザー粉体融合(LPBF)の効率的なシミュレーションがプロセス予測に不可欠である。
本研究では, FEA-Regulated Physics-Informed Neural Network (FEA-PINN) と呼ばれる効率的なモデリングフレームワークを提案し, FEAの精度を維持しつつ, LPBFプロセスの熱場予測を高速化する。
PINNモデルにおける粉末液固相の動的相変化を捉えるために, 新規な動的材料更新戦略を開発した。
PINNモデルは熱容量法を用いて温度依存性の材料特性と相変化挙動を組み込んだ。
PINNモデルは,少量のトレーニングデータを用いて高精度に検証し,転送学習による新しいプロセスパラメータの一般化を実現する一方で,残差蓄積による時間依存問題において,高い計算コストの課題に直面している。
この問題を解決するため、FEA-PINNフレームワークは推論中に修正されたFEAシミュレーションを統合し、物理的整合性を強制し、エラードリフトを低減する。
FEA-PINNは計算コストを大幅に削減しつつ、FAAと同等の精度を達成している。
このフレームワークは、ベンチマークFEAデータを用いて検証され、LPBFのシングルトラックスキャンによって実証された。
関連論文リスト
- Exploring Efficient Quantification of Modeling Uncertainties with Differentiable Physics-Informed Machine Learning Architectures [2.4117201298131232]
モデリングの不確かさの定量化と伝播は、信頼性分析、堅牢な最適化、およびエンジニアリング設計と制御における他のモデルベースのアルゴリズムプロセスに不可欠である。
物理インフォームド・機械学習(PIML)手法は,近年,従来の計算モデリングや代理モデリング手法に代わる新しい手法として登場している。
論文 参考訳（メタデータ） (2025-06-23T02:32:20Z) - Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。
HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
論文 参考訳（メタデータ） (2025-05-16T14:40:56Z) - BPINN-EM-Post: Stochastic Electromigration Damage Analysis in the Post-Void Phase based on Bayesian Physics-Informed Neural Network [2.228763526924048]
本稿では,BPINN-EM-Postと呼ばれる機械学習に基づく新しいフレームワークを提案する。
解析解を用いて損失関数の変数数を減らし,精度の低下を伴わずにトレーニング効率を大幅に改善し,変動効果を自然に組み込む。
論文 参考訳（メタデータ） (2025-03-18T00:31:12Z) - Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
機械学習(ML)モデルの損失景観を実証分析する手法を提案する。
本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
論文 参考訳（メタデータ） (2025-02-12T12:30:49Z) - 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) - Diff-PIC: Revolutionizing Particle-In-Cell Nuclear Fusion Simulation with Diffusion Models [38.46100610494588]
核融合は究極的な解決策と見なされ、ほぼ1世紀にわたって集中的な研究の焦点となっている。
慣性凝縮核融合の最近の進歩は核融合研究に大きな注目を集めている。
レーザー-プラズマ相互作用は核融合安定性と効率を確保するために重要である。
論文 参考訳（メタデータ） (2024-08-03T19:42:31Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - 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) - Supervised Machine Learning and Physics based Machine Learning approach
for prediction of peak temperature distribution in Additive Friction Stir
Deposition of Aluminium Alloy [0.0]
プロセスパラメータ, サーマルプロファイル, AFSD の相関関係はよく分かっていない。
この研究は、教師付き機械学習(ニューラルネットワーク)と物理情報ネットワーク(PINN)を組み合わせて、プロセスパラメータからAFSDのピーク温度分布を予測する。
論文 参考訳（メタデータ） (2023-09-13T09:39:42Z) - PDE-Refiner: Achieving Accurate Long Rollouts with Neural PDE Solvers [40.097474800631]
時間依存偏微分方程式(PDE)は、科学や工学においてユビキタスである。
ディープニューラルネットワークに基づくサロゲートへの関心が高まっている。
論文 参考訳（メタデータ） (2023-08-10T17:53:05Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z)
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。