論文の概要: FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition
- arxiv url: http://arxiv.org/abs/2604.16649v1
- Date: Fri, 17 Apr 2026 19:11:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.114655
- Title: FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition
- Title（参考訳）: FLARE:指向性エネルギー沈着における変位場予測のためのデータ効率の良いサロゲート
- Authors: Kittipong Thiamchaiboonthawee, Ghadi Nehme, Ram Mohan Telikicherla, Jiawei Tian, Balaji Jayaraman, Vikas Chandan, Dhanushkodi Mariappan, Faez Ahmed,
- Abstract要約: 指向性エネルギー沈着(DED)は複雑な熱力学的応答を生じさせ、製造部品の歪みと寸法精度を低下させる。
本稿では,DEDの冷却後変位場を幾何学的およびプロセスパラメータから予測するデータ効率な代理モデルフレームワークであるFLAREを紹介する。
FLAREは各シミュレーションを暗黙のニューラルネットワークとして符号化し、対応するニューラルネットワークの重みを正規化し、入力パラメータ空間のアフィン構造に従う。
- 参考スコア（独自算出の注目度）: 10.969341855852276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Directed energy deposition (DED) produces complex thermo-mechanical responses that can lead to distortion and reduced dimensional accuracy of a manufactured part. Thermo-mechanical finite element simulations are widely used to estimate these effects, but their computational cost and the complexity of accurately capturing DED physics limit their use in design iteration and process optimization. This paper introduces FLARE (Field Prediction via Linear Affine Reconstruction in wEight-space), a data-efficient surrogate modeling framework for predicting post-cooling displacement fields in DED from geometric and process parameters. We develop a predefined-geometry DED simulation workflow using an open-source finite element framework and generate a dataset of simulations with varying geometry, laser power, and deposition velocity. Each simulation provides full-field displacement, stress, strain, and temperature data throughout the manufacturing process. FLARE encodes each simulation as an implicit neural field and regularizes the corresponding neural-network weights so that they follow the affine structure of the input parameter space. This enables prediction of unseen parameter combinations by reconstructing network weights through affine mixing of training examples. On this DED benchmark, the method shows improved accuracy compared to baseline methods in both in-distribution and extrapolation settings. Although the present study focuses on DED displacement prediction, the proposed affine weight-space reconstruction framework offers a promising approach for data-efficient surrogate modeling of physical fields.
- Abstract（参考訳）: 指向性エネルギー沈着(DED)は複雑な熱力学的応答を生じさせ、製造部品の歪みと寸法精度を低下させる。
熱力学的有限要素シミュレーションはこれらの効果を推定するために広く用いられているが、計算コストとDED物理を正確に捉える複雑さは、設計イテレーションとプロセス最適化におけるそれらの使用を制限する。
本稿では,DEDの冷却後変位場を幾何学的およびプロセスパラメータから予測するためのデータ効率のよい代理モデリングフレームワークであるFLARE(Field Prediction via Linear Affine Reconstruction in wEight-space)を紹介する。
我々は,オープンソースの有限要素フレームワークを用いた事前に定義されたDEDシミュレーションワークフローを開発し,幾何,レーザーパワー,堆積速度の異なるシミュレーションデータセットを生成する。
各シミュレーションは、製造プロセス全体を通して全フィールド変位、応力、ひずみ、温度データを提供する。
FLAREは各シミュレーションを暗黙のニューラルネットワークとして符号化し、対応するニューラルネットワークの重みを正規化し、入力パラメータ空間のアフィン構造に従う。
これにより、トレーニング例のアフィン混合によりネットワーク重みを再構成することで、見知らぬパラメータの組み合わせを予測することができる。
このDEDベンチマークでは,分布内および外挿設定のベースライン法と比較して精度が向上した。
本研究はDED変位予測に焦点をあてるが,提案するアフィン量空間再構成フレームワークは,物理場のデータ効率のよいサロゲートモデリングに有望なアプローチを提供する。
関連論文リスト
- SMART: Scalable Mesh-free Aerodynamic Simulations from Raw Geometries using a Transformer-based Surrogate Model [22.03373840985233]
機械学習に基づく代理モデル(英語版)は、車体のような複雑な地形上の物理シミュレーションのための数値解法よりも効率的な代替品として登場した。
シミュレーションメッシュへのアクセスを必要とせず、幾何学のポイントクラウド表現のみを用いて任意のクエリロケーションで物理量を予測するニューラルネットワーク・サロゲートモデルSMARTを導入する。
広範囲にわたる実験によると、SMARTは入力としてシミュレーションメッシュに依存する既存の手法と競合し、しばしば性能を上回り、業界レベルのシミュレーションの能力を実証している。
論文 参考訳（メタデータ） (2026-01-26T17:34:16Z) - Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。
表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。
ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文 参考訳（メタデータ） (2025-07-26T21:28:25Z) - Towards scalable surrogate models based on Neural Fields for large scale aerodynamic simulations [0.0]
本稿では,ニューラルネットワークに基づく空力応用のための新しい代理モデリングフレームワークを提案する。
提案手法であるMARIOは、効率的な形状符号化機構によって非パラメトリックな幾何学的変動に対処する。
フル解像度の推論中に一貫した精度を維持しながら、大幅にダウンサンプルされたメッシュのトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-05-14T10:49:08Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。
オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。
高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
論文 参考訳（メタデータ） (2024-09-25T11:13:50Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes
Equations [13.242926257057084]
INFINITYは、幾何学情報と物理場をコンパクトな表現に符号化するディープラーニングモデルである。
本フレームワークは,体積と表面の物理場を正確に推定することにより,最先端の性能を実現する。
我々のモデルは、方程式に固執しながら、ドラッグ・アンド・リフト係数を正確に予測することができる。
論文 参考訳（メタデータ） (2023-07-25T14:35:55Z) - A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain [12.264200001067797]
本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。
数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
論文 参考訳（メタデータ） (2022-03-15T08:43:24Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:33:44Z)
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。