論文の概要: Multimodal learning of melt pool dynamics in laser powder bed fusion

• arxiv url: http://arxiv.org/abs/2509.03029v1
• Date: Wed, 03 Sep 2025 05:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.424135
• Title: Multimodal learning of melt pool dynamics in laser powder bed fusion
• Title（参考訳）: レーザーパウダーベッド融合における溶融プールダイナミックスのマルチモーダル学習
• Authors: Satyajit Mojumder, Pallock Halder, Tiana Tonge,
• Abstract要約: 高速X線イメージングは地下溶融プールの挙動に関する貴重な空間情報を提供するが、ほとんどの産業環境では高価で実用的ではない。 低コストのフォトダイオードからの吸収率データは、溶融プールのダイナミックスと相関するが、単独で使用すると正確な予測にはノイズが多すぎることが多い。 本稿では,高忠実度X線データと低忠実度吸収率データを組み合わせることで,融解プールのダイナミクスを予測するマルチモーダルデータ融合手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While multiple sensors are used for real-time monitoring in additive manufacturing, not all provide practical or reliable process insights. For example, high-speed X-ray imaging offers valuable spatial information about subsurface melt pool behavior but is costly and impractical for most industrial settings. In contrast, absorptivity data from low-cost photodiodes correlate with melt pool dynamics but is often too noisy for accurate prediction when used alone. In this paper, we propose a multimodal data fusion approach for predicting melt pool dynamics by combining high-fidelity X-ray data with low-fidelity absorptivity data in the Laser Powder Bed Fusion (LPBF) process. Our multimodal learning framework integrates convolutional neural networks (CNNs) for spatial feature extraction from X-ray data with recurrent neural networks (RNNs) for temporal feature extraction from absorptivity signals, using an early fusion strategy. The multimodal model is further used as a transfer learning model to fine-tune the RNN model that can predict melt pool dynamics only with absorptivity, with greater accuracy compared to the multimodal model. Results show that training with both modalities significantly improves prediction accuracy compared to using either modality alone. Furthermore, once trained, the model can infer melt pool characteristics using only absorptivity data, eliminating the need for expensive X-ray imaging. This multimodal fusion approach enables cost-effective, real-time monitoring and has broad applicability in additive manufacturing.
• Abstract（参考訳）: 複数のセンサーが添加物製造におけるリアルタイムモニタリングに使用されているが、すべてが実用的あるいは信頼性の高いプロセスインサイトを提供するわけではない。 例えば、高速X線イメージングは地下溶融プールの挙動に関する貴重な空間情報を提供するが、ほとんどの産業環境では高価で実用的ではない。 対照的に、低コストのフォトダイオードからの吸収率データは、溶融プールのダイナミックスと相関するが、単独で使用すると正確な予測にはノイズが多すぎることが多い。 本稿では,レーザー粉体融合(LPBF)プロセスにおける高忠実度X線データと低忠実度吸収率データを組み合わせることで,溶融プールのダイナミクスを予測するマルチモーダルデータ融合手法を提案する。 我々の多モード学習フレームワークは、X線データから空間的特徴抽出のための畳み込みニューラルネットワーク(CNN)と、吸収性信号から時間的特徴抽出のための繰り返しニューラルネットワーク(RNN)を早期融合戦略を用いて統合する。 マルチモーダルモデルはさらに、マルチモーダルモデルと比較して高い精度で、吸収率のみで溶融プール力学を予測できるRNNモデルを微調整するための転写学習モデルとして使用される。 その結果,両モダリティによるトレーニングは,いずれのモダリティ単独の使用よりも予測精度が有意に向上することがわかった。 さらに、トレーニングを済ませば、吸収率データのみを用いて溶融プール特性を推定でき、高価なX線イメージングの必要性を排除できる。 このマルチモーダル融合アプローチは、コスト効率が高くリアルタイムなモニタリングを可能にし、添加物製造に広く適用可能である。

関連論文リスト

• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Uncertainty Quantification for Multi-fidelity Simulations [0.0]
  この研究は,Nektar++とXFOILを用いて,高忠実度および低忠実度数値シミュレーションデータを収集することに焦点を当てている。 リフトとドラッグの係数の計算における高い分布の利用は、精度と精度に優れていた。 不確かさ定量化における高忠実度数値シミュレーションの信頼性を最小化するために,多忠実度戦略が採用されている。
  論文  参考訳（メタデータ） (2025-03-11T13:11:18Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Diagnostic data integration using deep neural networks for real-time plasma analysis [2.770437783544638]
  核融合実験のための買収の連鎖を完全に更新する可能性を探る。 特に、ニューロン伝達関数の量子化を試みると、そのようなモデルが組み込まれたファームウェアを作成するように変更できることが示されている。 このファームウェアは、深部推論モデルを一連の単純な演算に近似し、FPGAで多用される単純な論理ユニットとよく適合する。
  論文  参考訳（メタデータ） (2020-10-28T18:09:44Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。