論文の概要: Hybrid Machine Learning Framework for Predicting Geometric Deviations from 3D Surface Metrology

• arxiv url: http://arxiv.org/abs/2508.06845v1
• Date: Sat, 09 Aug 2025 05:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.576562
• Title: Hybrid Machine Learning Framework for Predicting Geometric Deviations from 3D Surface Metrology
• Title（参考訳）: 3次元表面トモロジーによる幾何学的偏差予測のためのハイブリッド機械学習フレームワーク
• Authors: Hamidreza Samadi, Md Manjurul Ahsan, Shivakumar Raman,
• Abstract要約: 本稿では,高分解能な3Dスキャナーを用いて,異なるバッチで生成された237個のコンポーネントから多角面データを取得する手法を提案する。 データは正確なアライメント、ノイズ低減、マージによって処理され、正確な3D表現を生成する。 提案手法は,従来の統計的プロセス制御法よりも73%向上し,95%信頼度で0.012mmの予測精度を達成した。
• 参考スコア（独自算出の注目度）: 0.46085106405479537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study addresses the challenge of accurately forecasting geometric deviations in manufactured components using advanced 3D surface analysis. Despite progress in modern manufacturing, maintaining dimensional precision remains difficult, particularly for complex geometries. We present a methodology that employs a high-resolution 3D scanner to acquire multi-angle surface data from 237 components produced across different batches. The data were processed through precise alignment, noise reduction, and merging techniques to generate accurate 3D representations. A hybrid machine learning framework was developed, combining convolutional neural networks for feature extraction with gradient-boosted decision trees for predictive modeling. The proposed system achieved a prediction accuracy of 0.012 mm at a 95% confidence level, representing a 73% improvement over conventional statistical process control methods. In addition to improved accuracy, the model revealed hidden correlations between manufacturing parameters and geometric deviations. This approach offers significant potential for automated quality control, predictive maintenance, and design optimization in precision manufacturing, and the resulting dataset provides a strong foundation for future predictive modeling research.
• Abstract（参考訳）: 本研究では,3次元表面分析による製造部品の幾何偏差を正確に予測する上での課題について述べる。 現代の製造の進歩にもかかわらず、次元精度を維持することは、特に複雑な測地では困難である。 本稿では,高分解能な3Dスキャナを用いて,異なるバッチで生成された237個のコンポーネントから多角面データを取得する手法を提案する。 データは正確なアライメント、ノイズ低減、マージによって処理され、正確な3D表現を生成する。 特徴抽出のための畳み込みニューラルネットワークと,予測モデルのための勾配ブースト決定木を組み合わせたハイブリッド機械学習フレームワークを開発した。 提案手法は,従来の統計的プロセス制御法よりも73%向上し,95%信頼度で0.012mmの予測精度を達成した。 精度の向上に加えて, 製造パラメータと幾何偏差との間に隠れた相関関係が明らかとなった。 このアプローチは、自動品質管理、予測保守、精密製造における設計最適化のための大きな可能性を提供し、その結果のデータセットは将来の予測モデリング研究の強力な基盤を提供する。

関連論文リスト

• Enhancing 3D point accuracy of laser scanner through multi-stage convolutional neural network for applications in construction [0.0]
  本稿では,多段階畳み込みニューラルネットワーク(MSCNN)を用いた室内粗い部屋におけるレーザースキャナ(LS)の3次元点精度の不確かさを低減する手法を提案する。 提案手法では,同一環境における高精度スキャナ(HAS)と対応する低精度スキャナ(LAS)とを組み合わせ,特定のエラーパターンの定量化を行う。 その結果,約6デシベルで平均2乗誤差(MSE)が70%以上,ピーク信号-雑音比(PSNR)が約6デシベルで改善した。
  論文  参考訳（メタデータ） (2025-08-16T16:02:56Z)
• 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
  高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。 我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。 その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-21T16:40:48Z)
• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• Part-aware Shape Generation with Latent 3D Diffusion of Neural Voxel Fields [50.12118098874321]
  ニューラルボクセル場に対する潜在3次元拡散過程を導入し,高分解能で生成を可能にする。 部分符号を神経ボクセル場に統合し、正確な部分分解を導出するために、部分認識形状復号器を導入する。 その結果,既存の最先端手法よりも優れた部品認識形状生成において,提案手法の優れた生成能力を示した。
  論文  参考訳（メタデータ） (2024-05-02T04:31:17Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
  この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。 本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。 本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T13:14:24Z)
• Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
  本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。 提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
  論文  参考訳（メタデータ） (2021-08-30T19:45:07Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• 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)
• A Deep Learning Framework for Simulation and Defect Prediction Applied in Microelectronics [3.8698051494433043]
  本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。 我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
  論文  参考訳（メタデータ） (2020-02-25T15:54:33Z)

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。