Fugu-MT 論文翻訳(概要): Physics-Informed Mixture Models and Surrogate Models for Precision Additive Manufacturing

論文の概要: Physics-Informed Mixture Models and Surrogate Models for Precision Additive Manufacturing

arxiv url: http://arxiv.org/abs/2510.26586v1
Date: Thu, 30 Oct 2025 15:13:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-31 16:05:09.878293
Title: Physics-Informed Mixture Models and Surrogate Models for Precision Additive Manufacturing
Title（参考訳）: 精密添加物製造のための物理インフォームド混合モデルとサロゲートモデル
Authors: Sebastian Basterrech, Shuo Shan, Debabrata Adhikari, Sankhya Mohanty,
Abstract要約: 我々は混合モデル学習手法を用いて,レーザーによる添加性製造プロセスの欠陥を同定する。 2つのAMプロセスから実世界のデータを解析し,実験による評価を行った。
参考スコア（独自算出の注目度）: 0.824969449883056
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this study, we leverage a mixture model learning approach to identify defects in laser-based Additive Manufacturing (AM) processes. By incorporating physics based principles, we also ensure that the model is sensitive to meaningful physical parameter variations. The empirical evaluation was conducted by analyzing real-world data from two AM processes: Directed Energy Deposition and Laser Powder Bed Fusion. In addition, we also studied the performance of the developed framework over public datasets with different alloy type and experimental parameter information. The results show the potential of physics-guided mixture models to examine the underlying physical behavior of an AM system.
Abstract（参考訳）: 本研究では,レーザーによる添加性製造(AM)プロセスの欠陥を同定するために,混合モデル学習手法を利用する。物理に基づく原理を取り入れることで、モデルが意味のある物理パラメータの変動に敏感であることを保証する。実験的な評価は, 2つのAMプロセス, Directed Energy Deposition と Laser Powder Bed Fusion から得られた実世界のデータを用いて行った。さらに, 各種合金型および実験パラメータ情報を用いた公開データセット上でのフレームワークの性能についても検討した。その結果、AMシステムの物理挙動を調べるために物理誘導混合モデルの可能性が示された。

関連論文リスト

Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文参考訳（メタデータ） (2025-10-20T17:56:01Z)
Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling [5.437298646956505]
建築エネルギーモデリングは、建築エネルギーシステムの性能を最適化するための重要なツールである。近年,両パラダイムの強みを組み合わせたハイブリッドアプローチが注目されている。
論文参考訳（メタデータ） (2025-07-23T14:07:33Z)
A preliminary data fusion study to assess the feasibility of Foundation Process-Property Models in Laser Powder Bed Fusion [0.0]
基礎プロセスプロパティモデルの構築を妨げる大きな課題は、データの不足である。レーザー粉末層融合(LPBF)における17-4 PHおよび316Lステンレス鋼(SS)から実験データセットを生成する。次に、ガウス過程(GP)を様々な構成のプロセス固有性モデリングに利用し、ある物質系や性質に関する知識を活用できるかどうかを検証し、他の物質系や特性のためのより正確な機械学習モデルを構築する。
論文参考訳（メタデータ） (2025-03-20T19:29:38Z)
A Phenomenological AI Foundation Model for Physical Signals [1.204553980682492]
我々は0.59億のクロスモーダルセンサ測定のモデルを開発し、訓練する。物理法則や帰納バイアスに関する事前の知識はモデルに導入されなかった。一つの基礎モデルが物理的挙動を効果的にエンコードし予測できることを実証する。
論文参考訳（メタデータ） (2024-10-15T21:03:53Z)
ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文参考訳（メタデータ） (2024-02-09T01:09:21Z)
Physics-Guided Adversarial Machine Learning for Aircraft Systems Simulation [9.978961706999833]
この研究は、物理誘導型逆機械学習(ML)という新しいアプローチを示し、モデルの物理一貫性に対する信頼性を向上させる。 2つの航空機システムの性能モデルに対する実証的な評価は、我々の敵MLアプローチの有効性を示している。
論文参考訳（メタデータ） (2022-09-07T19:23:45Z)
Bayesian Calibration of imperfect computer models using Physics-informed priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文参考訳（メタデータ） (2022-01-17T15:16:26Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
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)

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。