論文の概要: First Contact: Data-driven Friction-Stir Process Control

• arxiv url: http://arxiv.org/abs/2507.03177v1
• Date: Thu, 03 Jul 2025 21:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.61024
• Title: First Contact: Data-driven Friction-Stir Process Control
• Title（参考訳）: ファーストコンタクト:データ駆動摩擦スタープロセス制御
• Authors: James Koch, Ethan King, WoongJo Choi, Megan Ebers, David Garcia, Ken Ross, Keerti Kappagantula,
• Abstract要約: 本研究では、摩擦スター処理(FSP)におけるラッシュシーケンスの開ループセットポイント制御におけるニューラルランプ付き微分方程式の適用性を検証する。 このアプローチは、データ駆動フレームワークと古典的な熱伝達技術を統合して、ツールの温度を予測し、制御戦略を実行する。
• 参考スコア（独自算出の注目度）: 0.29997085523768136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study validates the use of Neural Lumped Parameter Differential Equations for open-loop setpoint control of the plunge sequence in Friction Stir Processing (FSP). The approach integrates a data-driven framework with classical heat transfer techniques to predict tool temperatures, informing control strategies. By utilizing a trained Neural Lumped Parameter Differential Equation model, we translate theoretical predictions into practical set-point control, facilitating rapid attainment of desired tool temperatures and ensuring consistent thermomechanical states during FSP. This study covers the design, implementation, and experimental validation of our control approach, establishing a foundation for efficient, adaptive FSP operations.
• Abstract（参考訳）: 本研究では,FSP(Friction Stir Processing)におけるラッシュシーケンスの開ループ設定点制御にニューラルランプドパラメータ微分方程式を用いたことを検証する。 このアプローチは、データ駆動フレームワークと古典的な熱伝達技術を統合して、ツールの温度を予測し、制御戦略を実行する。 学習したニューラルランプパラメータ微分方程式モデルを用いることで、理論予測を実用的なセットポイント制御に変換し、所望の工具温度を迅速に達成し、FSP中の一貫した熱力学状態を確保する。 本研究は, 制御手法の設計, 実装, 実験的な検証を行い, 効率的かつ適応的なFSP演算の基礎を確立した。

関連論文リスト

• Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
  そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。 本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
  論文  参考訳（メタデータ） (2025-06-02T00:32:32Z)
• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Supervised Learning and the Finite-Temperature String Method for Computing Committor Functions and Reaction Rates [0.0]
  希少事象の計算研究における中心的な対象はコミッタ関数である。 アルゴリズムの精度を改善するために追加の修正が必要であることを示す。
  論文  参考訳（メタデータ） (2021-07-28T17:44:00Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Adiabatic Sensing Technique for Optimal Temperature Estimation using Trapped Ions [64.31011847952006]
  捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。 フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。 それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
  論文  参考訳（メタデータ） (2020-12-16T12:58:08Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)
• Active Learning Approach to Optimization of Experimental Control [4.321539843681834]
  実験制御を最適化する汎用機械学習方式を提案する。 このアプローチの主な課題は、実験から得られたラベル付きデータが豊富でないことである。 本手法は, 何百もの実験走行において, 最高の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-26T09:07:56Z)

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。