論文の概要: Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach

• arxiv url: http://arxiv.org/abs/2511.13178v1
• Date: Mon, 17 Nov 2025 09:37:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.101389
• Title: Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach
• Title（参考訳）: 物理インフォームド・ニューラル演算子法による金属添加物製造におけるリアルタイム歪み予測
• Authors: Mingxuan Tian, Haochen Mu, Donghong Ding, Mengjiao Li, Yuhan Ding, Jianping Zhao,
• Abstract要約: 本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。 PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
• 参考スコア（独自算出の注目度）: 3.607834195988809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of digital twins and smart manufacturing systems, there is an urgent need for real-time distortion field prediction to control defects in metal Additive Manufacturing (AM). However, numerical simulation methods suffer from high computational cost, long run-times that prevent real-time use, while conventional Machine learning (ML) models struggle to extract spatiotemporal features for long-horizon prediction and fail to decouple thermo-mechanical fields. This paper proposes a Physics-informed Neural Operator (PINO) to predict z and y-direction distortion for the future 15 s. Our method, Physics-informed Deep Operator Network-Recurrent Neural Network (PIDeepONet-RNN) employs trunk and branch network to process temperature history and encode distortion fields, respectively, enabling decoupling of thermo-mechanical responses. By incorporating the heat conduction equation as a soft constraint, the model ensures physical consistency and suppresses unphysical artifacts, thereby establishing a more physically consistent mapping between the thermal history and distortion. This is important because such a basis function, grounded in physical laws, provides a robust and interpretable foundation for predictions. The proposed models are trained and tested using datasets generated from experimentally validated Finite Element Method (FEM). Evaluation shows that the model achieves high accuracy, low error accumulation, time efficiency. The max absolute errors in the z and y-directions are as low as 0.9733 mm and 0.2049 mm, respectively. The error distribution shows high errors in the molten pool but low gradient norms in the deposited and key areas. The performance of PINO surrogate model highlights its potential for real-time long-horizon physics field prediction in controlling defects.
• Abstract（参考訳）: デジタルツインとスマートマニュファクチャリングシステムの開発により、金属添加物製造(AM)の欠陥を制御するために、リアルタイムの歪み場予測が緊急に必要となる。 しかし、数値シミュレーション手法は計算コストが高く、リアルタイム使用を防ぐための長時間実行に苦しむ一方、従来の機械学習(ML)モデルは、長期水平予測のための時空間的特徴の抽出に苦慮し、熱力学場の分離に失敗する。 本稿では,将来の15秒におけるzおよびy方向の歪みを予測する物理インフォームド・ニューラル演算子(PINO)を提案する。 物理インフォームドDeep Operator Network-Recurrent Neural Network (PIDeepONet-RNN) は,トランクと分岐ネットワークを用いて,それぞれ温度履歴を処理し,歪み場を符号化し,熱力学的応答のデカップリングを可能にする。 熱伝導方程式をソフト制約として組み込むことにより、モデルは物理的に整合性を確保し、非物理的アーティファクトを抑圧し、熱履歴と歪みの間のより物理的に一貫したマッピングを確立する。 これは、物理法則に基づくそのような基底関数が、予測のための堅牢で解釈可能な基礎を提供するので重要である。 提案したモデルは、実験的に検証された有限要素法(FEM)から生成されたデータセットを用いて、訓練され、テストされる。 評価の結果,高精度,低誤差蓄積,時間効率が得られた。 z および y 方向の絶対誤差は、それぞれ 0.9733 mm と 0.2049 mm である。 この誤差分布は, 溶融プールでは高い誤差を示すが, 堆積領域とキー領域では低勾配ノルムを示す。 PINOサロゲートモデルの性能は、欠陥の制御におけるリアルタイムな長距離物理場予測の可能性を強調している。

関連論文リスト

• Physically consistent and uncertainty-aware learning of spatiotemporal dynamics [44.27000400517127]
  物理制約を強制する物理一貫性ニューラル演算子(PCNO)を導入する。 PCNO内の物理一貫性プロジェクション層は、フーリエ空間における質量運動量保存を効率的に計算する。 また,拡散一貫性モデルを用いて不確実性を定量化し定量化するDiffPCNOを提案する。
  論文  参考訳（メタデータ） (2025-10-23T22:17:21Z)
• Data-Driven Temperature Modelling of Machine Tools by Neural Networks: A Benchmark [2.07811670193148]
  我々は,NNが機械工具内の高忠実度温度と熱流束場を予測するために訓練される新しいパラダイムを導入する。 提案したフレームワークは、モジュール式でスワップ可能な下流コンポーネントを使用して、幅広いエラータイプの計算と修正を可能にする。
  論文  参考訳（メタデータ） (2025-09-26T15:43:08Z)
• Physics-Informed Machine Learning Regulated by Finite Element Analysis for Simulation Acceleration of Laser Powder Bed Fusion [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-25T15:25:01Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.055539099879598]
  本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。 障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。 LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
  論文  参考訳（メタデータ） (2025-05-16T17:55:06Z)
• 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)
• 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)
• 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)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化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） (2023-01-19T20:04:36Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)

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。