論文の概要: CAD-feature enhanced machine learning for manufacturing effort estimation on sheet metal bending parts

• arxiv url: http://arxiv.org/abs/2605.12266v1
• Date: Tue, 12 May 2026 15:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.967935
• Title: CAD-feature enhanced machine learning for manufacturing effort estimation on sheet metal bending parts
• Title（参考訳）: CAD機能強化機械学習による板材曲げ部品の製造作業推定
• Authors: Matteo Ballegeer, Toon Van Camp, Willem Jaspers, Alp Bayar, Aung Nyein Soe, Martin Roelfs, Dries F. Benoit, Bieke Decraemer, Joost R. Duflou,
• Abstract要約: 境界表現(B-reps)として表されるCADモデルから直接学習することで、製造可能性分析のための有望なアプローチとして、グラフベース機械学習が登場した。 本稿では,B-rep属性の隣接グラフをルールベースモジュールによって認識される製造特徴に富ませることで,この問題に対処するハイブリッドアプローチを提案する。 大規模合成製造性ベンチマークと実世界の産業データセットの曲げ時間の測定実験により、ドメイン知識とグラフベースの学習を組み合わせることで、両方のタスク間の予測精度が向上することを示した。
• 参考スコア（独自算出の注目度）: 0.3250512744763586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based machine learning has emerged as a promising approach for manufacturability analysis by learning directly from CAD models represented as Boundary Representations (B-reps), exploiting both surface geometry and topological connectivity. However, purely geometric representations often lack the process-specific semantics required for accurate manufacturability prediction: many manufacturing factors, such as surface roles or bend intent, are not explicitly encoded in shape alone and are difficult for data-driven models to infer reliably. We propose a hybrid approach that addresses this challenge by enriching B-rep attributed adjacency graphs with manufacturing features recognized through a rule-based module. Applied to sheet metal bending, recognized features, such as bend characteristics, flange lengths, and surface roles are integrated as node attributes, concentrating the learning signal on process-relevant geometric patterns. Experiments on both a large-scale synthetic manufacturability benchmark and a real-world industrial dataset with measured bending times, one of the first such validations on genuine production data, demonstrate that combining domain knowledge with graph-based learning improves prediction accuracy across both tasks. The results demonstrate that hybrid modeling offers a feasible and effective path toward deployable tools for manufacturability assessment and effort estimation in industrial CAD environments.
• Abstract（参考訳）: グラフベースの機械学習は、境界表現(B-reps)として表されるCADモデルから直接学習し、表面幾何学とトポロジ的接続性の両方を活用することにより、製造可能性分析のための有望なアプローチとして登場した。 しかし、純粋に幾何学的な表現は、正確な製造可能性予測に必要なプロセス固有の意味を欠くことが多く、表面の役割や曲げ意図といった多くの製造要素は、明示的にコード化されておらず、データ駆動モデルが確実に推測することが困難である。 本稿では,B-rep属性の隣接グラフをルールベースモジュールによって認識される製造特徴に富ませることで,この問題に対処するハイブリッドアプローチを提案する。 金属板の曲げ加工に応用し, 曲げ特性, フランジ長, 表面の役割などの認識された特徴をノード属性として統合し, プロセス関連幾何パターンの学習信号に集中させる。 大規模合成製造可能性ベンチマークと実世界の産業データセットによる実生産データに対する最初の検証である曲げ時間の測定実験は、ドメイン知識とグラフベースの学習を組み合わせることで、両方のタスクにおける予測精度が向上することを示した。 その結果, ハイブリット・モデリングは, 産業CAD環境における製造可能性評価と作業評価のための, デプロイ可能なツールを実現するための, 実用的で効果的な道筋であることを実証した。

関連論文リスト

• BenDFM: A taxonomy and synthetic CAD dataset for manufacturability assessment in sheet metal bending [0.5156484100374058]
  本稿では,構成依存と測定型の軸に沿った製造可能性指標の分類法を提案する。 鋼板の曲げ加工における製造性評価のための最初の合成データセットであるBenDFMを紹介する。 BenDFMは、製造可能と製造不可能の両方の20,000の部品を含み、プロセス対応の曲げシミュレーションによって生成される。
  論文  参考訳（メタデータ） (2026-03-13T15:57:44Z)
• The Density of Cross-Persistence Diagrams and Its Applications [67.12329106585666]
  トポロジカルデータ分析(TDA)は、クラスタやループ、ヴォイドといったトポロジ的特徴を通じて、データの形状と構造を探索する強力なツールを提供する。 永続化ダイアグラムはTDAの基盤であり、スケールを越えたこれらの機能の進化を捉えています。 最近導入されたクロスパースペンス・ダイアグラム(クロスバーコード)は、2点雲の位相的特徴間の関係を特徴付けることでこの制限に対処する。
  論文  参考訳（メタデータ） (2026-03-12T07:33:15Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• GUST: Quantifying Free-Form Geometric Uncertainty of Metamaterials Using Small Data [0.0]
  GUST (Generative Uncertainty Learning via Self-supervised pretraining and Transfer Learning) は、メタマテリアルの製造に固有の自由形式の幾何学的不確実性を定量化するフレームワークである。
  論文  参考訳（メタデータ） (2025-05-28T18:40:15Z)
• Explainable Prediction of the Mechanical Properties of Composites with CNNs [18.157728232751474]
  説明可能なAI(XAI)の手法を備えた畳み込みニューラルネットワーク(CNN)が,この問題の解決に有効であることを示す。 提案手法では, 逆張力試験を用いて生成したデータセットに基づいて学習したカスタムCNNを用いて, コンポジットの機械的特性を予測する。 次に、SHAPと統合勾配の2つのポストホックXAI法を用いて予測を説明し、CNNが合成体の挙動に影響を与える重要な幾何学的特徴を用いていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T08:54:06Z)
• PairCFR: Enhancing Model Training on Paired Counterfactually Augmented Data through Contrastive Learning [49.60634126342945]
  Counterfactually Augmented Data (CAD)は、既存のデータサンプルのラベルを他のクラスに戻すのに、最小限かつ十分な修正を適用することで、新しいデータサンプルを作成する。 近年の研究では、CADを用いたトレーニングが、他の重要な文脈情報を無視しながら、モデルが修正機能に過度にフォーカスする可能性があることが示されている。 我々は、対実的手がかりの学習に加えて、グローバルな特徴アライメントを促進するために、対照的な学習を採用する。
  論文  参考訳（メタデータ） (2024-06-09T07:29:55Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。