論文の概要: Multi-Objective Optimization Under Uncertainty of Part Quality in Fused Filament Fabrication

• arxiv url: http://arxiv.org/abs/2608.18429v1
• Date: Wed, 19 Aug 2026 01:44:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.245284
• Title: Multi-Objective Optimization Under Uncertainty of Part Quality in Fused Filament Fabrication
• Title（参考訳）: 溶融フィラメント製造における部品品質の不確かさを考慮した多目的最適化
• Abstract要約: 本研究では, 融合フィラメント加工(FFF)プロセスにおける不確実性プロセスパラメータの下での多目的最適化のためのデータ駆動手法を提案する。 提案手法は, 形状不正確性を最小化し, 加工部品のフィラメント結合品質を最大化する目的で, プロセスパラメータを最適化する。
• 参考スコア（独自算出の注目度）: 1.4680035572775534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a data-driven methodology for multi-objective optimization under uncertainty of process parameters in the fused filament fabrication (FFF) process. The proposed approach optimizes the process parameters with the objectives of minimizing the geometric inaccuracy and maximizing the filament bond quality of the manufactured part. First, experiments are conducted to collect data pertaining to the part quality. Then, Bayesian neural network (BNN) models are constructed to predict the geometric inaccuracy and bond quality as functions of the process parameters. The BNN model captures the model uncertainty caused by the lack of knowledge about model parameters (neuron weights) and the input variability due to the intrinsic randomness in the input parameters. Using the stochastic predictions from these models, different robustness-based design optimization formulations are investigated, wherein process parameters such as nozzle temperature, nozzle speed, and layer thickness are optimized under uncertainty for different multi-objective scenarios. Epistemic uncertainty in the prediction model and the aleatory uncertainty in the input is considered in the optimization. Finally, Pareto surfaces are constructed to estimate the tradeoffs between the objectives. Both the BNN models and the effectiveness of the proposed optimization methodology are validated using the actual manufacturing of the parts.
• Abstract（参考訳）: 本研究では,FFFプロセスにおけるプロセスパラメータの不確実性を考慮した多目的最適化のためのデータ駆動手法を提案する。 提案手法は, 形状不正確性を最小化し, 加工部品のフィラメント結合品質を最大化する目的で, プロセスパラメータを最適化する。 まず, 部品品質に関するデータ収集実験を行った。 次に、プロセスパラメータの関数として、幾何学的不正確さと結合品質を予測するために、ベイズニューラルネットワーク(BNN)モデルを構築した。 BNNモデルは、モデルパラメータ(ニューロンの重み)に関する知識の欠如と、入力パラメータの内在的ランダム性による入力変動によって生じるモデル不確実性をキャプチャする。 これらのモデルから得られた確率的予測を用いて, ノズル温度, ノズル速度, 層厚などのプロセスパラメータを, 異なる多目的シナリオに対して不確実性の下で最適化する, 各種ロバスト性に基づく設計最適化式について検討した。 予測モデルにおける疫学的不確かさと入力における緩和的不確実性は、最適化において考慮される。 最後に、パレート面は目的間のトレードオフを推定するために構築される。 BNNモデルと最適化手法の有効性の両方を,部品の実際の製造法を用いて検証した。

関連論文リスト

• Process Optimization Under Uncertainty for Improving the Bond Quality of Polymer Filaments in Fused Filament Fabrication [1.5749416770494706]
  本稿では, 溶融フィラメント製造(FFF)において, 押出高分子フィラメント間の結合品質を最大化するプロセスパラメータを最適化するための計算枠組みを開発する。 FFFプロセスの変動を予測するために使用されるモデルは、仮定と近似によって影響を受ける。
  論文  参考訳（メタデータ） (2026-08-19T01:44:37Z)
• Optimal Experimental Design for Reliable Learning of History-Dependent Constitutive Laws [1.833390702234781]
  歴史に依存したモデルは、マイクロメカニクスの集合効果のクロージャとして機能する。 実験予算が限られているため、関係を特徴付けるのに必要な全ての応答を抽出することは困難である。 本研究では,ベイズ最適設計フレームワークを提案し,実験設計の有用性を定量化し,解釈し,最大化する。
  論文  参考訳（メタデータ） (2026-03-12T18:33:06Z)
• Slack More, Predict Better: Proximal Relaxation for Probabilistic Latent Variable Model-based Soft Sensors [12.346122868771118]
  確率潜在変数モデル(英: Probabilistic Latent Variable Models, NPLVMs)は、ソフトセンサーモデリングの基盤である。 NPLVMは、ニューラルネットワークが変分後部をパラメータ化するアモータイズされた変分推論を用いて訓練される。 KProxNPLVMは、目的自体を緩和し、NPLVMのパフォーマンスを改善するためにピボットする、新しいNPLVMである。
  論文  参考訳（メタデータ） (2026-03-12T02:53:39Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
  サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。 入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。 コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
  論文  参考訳（メタデータ） (2024-04-23T09:22:35Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。