論文の概要: Physics-Informed and Hybrid Machine Learning in Additive Manufacturing: Application to Fused Filament Fabrication
- arxiv url: http://arxiv.org/abs/2608.17246v1
- Date: Tue, 18 Aug 2026 01:02:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.173286
- Title: Physics-Informed and Hybrid Machine Learning in Additive Manufacturing: Application to Fused Filament Fabrication
- Title（参考訳）: 添加物製造における物理インフォームドとハイブリッド機械学習 : 融合フィラメント製作への応用
- Abstract要約: 物理制約をディープニューラルネットワーク(DNN)に組み込むための3種類の戦略が検討されている。
これらの戦略は、結合品質と引張強度の間の物理的に一貫した関係を強制し、ポーシティー予測を物理的に意味のあるものにするのに役立つ。
- 参考スコア（独自算出の注目度）: 1.9336815376402718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article investigates several physics-informed and hybrid machine learning strategies that incorporate physics knowledge in experimental data-driven deep-learning models for predicting the bond quality and porosity of fused filament fabrication (FFF) parts. Three types of strategies are explored to incorporate physics constraints and multi-physics FFF simulation results into a deep neural network (DNN), thus ensuring consistency with physical laws: (1) incorporate physics constraints within the loss function of the DNN, (2) use physics model outputs as additional inputs to the DNN model, and (3) pre-train a DNN model with physics model input-output and then update it with experimental data. These strategies help to enforce a physically consistent relationship between bond quality and tensile strength, thus making porosity predictions physically meaningful. Eight different combinations of the above strategies are investigated. The results show how the combination of multiple strategies produces accurate machine learning models even with limited experimental data.
- Abstract（参考訳）: 本稿では,FFF(Fused Filament fabrication)部品の接着品質とポーシティを予測する実験データ駆動型ディープラーニングモデルにおいて,物理知識を取り入れた物理インフォームドおよびハイブリッド機械学習戦略について検討する。
1)DNNの損失関数に物理制約を組み込むこと、(2)DNNモデルへの追加入力として物理モデル出力を使用すること、(3)物理モデル入力出力でDNNモデルを事前訓練し、実験データで更新することである。
これらの戦略は、結合品質と引張強度の間の物理的に一貫した関係を強制し、ポーシティー予測を物理的に意味のあるものにするのに役立つ。
上記の戦略の8つの組み合わせについて検討した。
その結果,複数の戦略の組み合わせが,限られた実験データであっても,正確な機械学習モデルを生成することを示す。
関連論文リスト
- Information fusion and machine learning for sensitivity analysis using physics knowledge and experimental data [1.9336815376402718]
本稿では,物理モデルと実験観測の両方が利用できる状況に対するグローバル感度分析(GSA)について考察する。
2つの代表的機械学習(ML)技術、すなわちディープニューラルネットワーク(DNN)とガウス過程(GP)モデリングが検討されている。
それぞれのタイプごとに4つの異なるモデル(DNNとGP)が構築され、それらのモデルの不確実性はSobolのインデックスに含まれている。
論文 参考訳（メタデータ） (2026-08-18T01:07:59Z) - NeuralOGCM: Differentiable Ocean Modeling with Learnable Physics [38.88216084180426]
深層学習に微分可能プログラミングを融合させる海洋モデリングフレームワークであるNeuralOGCMを提案する。
学習可能な物理統合は、大規模で決定論的物理進化を捉え、鍵となる物理パラメータを学習可能なパラメータに変換する。
ディープニューラルネットワークは、物理モデルが捉えないサブグリッドスケールのプロセスと離散化エラーの修正を学習する。
実験により、NeuralOGCMは長期的な安定性と物理的整合性を維持しており、従来の数値モデルよりも高速で、純粋なAIベースラインよりも精度が高いことが示されている。
論文 参考訳（メタデータ） (2025-12-12T12:53:46Z) - Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。
これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。
非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
論文 参考訳（メタデータ） (2025-06-27T13:23:27Z) - Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。
本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
論文 参考訳（メタデータ） (2024-11-18T11:58:20Z) - Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。
バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-02T14:38:37Z) - The Physics-Informed Neural Network Gravity Model: Generation III [0.0]
第3世代物理インフォームドニューラルネットワーク重力モデル(PINN-GM-III)
本稿では,第3世代物理インフォームドニューラルネットワーク重力モデル(PINN-GM-III)を紹介する。
論文 参考訳（メタデータ） (2023-12-15T23:17:06Z) - Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation [0.6384650391969042]
p$3$VAEは、データ取得条件に関連する変動の潜在要因に関する事前の物理的知識を統合する変分自動エンコーダである。
本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-19T09:32:15Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Hard Encoding of Physics for Learning Spatiotemporal Dynamics [8.546520029145853]
既知の物理知識を強制的にエンコードして,データ駆動的な学習を容易にするディープラーニングアーキテクチャを提案する。
物理学の強制符号化メカニズムは、ペナルティに基づく物理学による学習と根本的に異なるが、ネットワークが与えられた物理学に厳密に従うことを保証する。
論文 参考訳（メタデータ） (2021-05-02T21:40:39Z) - 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)
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。