論文の概要: Influence of Extruded Filament Shape on Buildability in 3D Concrete Printing: A Geometry-Informed Deep Learning-FEM Approach

• arxiv url: http://arxiv.org/abs/2609.04028v2
• Date: Wed, 09 Sep 2026 10:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 15:10:00.95154
• Title: Influence of Extruded Filament Shape on Buildability in 3D Concrete Printing: A Geometry-Informed Deep Learning-FEM Approach
• Title（参考訳）: 3次元コンクリートの成形性に及ぼす押出フィラメント形状の影響:幾何学インフォームド深部学習-FEMアプローチ
• Authors: Giacomo Rizzieri, Saif-Ur-Rehman, Jörg F. Unger, Annika Robens-Radermacher,
• Abstract要約: 堆積フィラメントの幾何学的形態は3次元コンクリート造構造物の構造性能と安定性に大きな影響を及ぼす可能性がある。 FEMベースのビルド可能性評価アプローチは、印刷されたレイヤを単純化し、予測精度を制限している。 本研究では,深層学習に基づくフィラメント形状予測ツールShapeGen3DCPを統合した形状インフォームドモデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.601977707672242
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The geometric morphology of deposited filaments can significantly influence the structural performance and stability of 3D concrete-printed (3DCP) structures. However, most finite element (FEM)-based approaches for buildability assessment represent printed layers as simplified rectangles, potentially limiting predictive accuracy. This study proposes a geometry-informed modelling framework that integrates the deep-learning-based filament shape prediction tool ShapeGen3DCP with a layer-activation FEM approach to investigate the effect of realistic filament geometries on buildability. The framework generates geometry-aware numerical models directly from material and process parameters, eliminating the need for experimental filament characterization or computationally intensive fluid-flow simulations. Validation against experimental data and a parametric study of rectilinear walls demonstrate that extrusion parameters and the resulting filament geometry can significantly influence buildability predictions. Realistic filament representations are particularly important for free-flow deposition, whereas layer-pressing strategies are less sensitive to geometric simplifications. Among the investigated representations, an elliptical approximation provides an effective balance between geometric fidelity and modelling simplicity. When rectangular representations are preferred to enable regular computational meshes for faster simulations, defining their dimensions based on volume conservation improves prediction reliability compared with calibrating them using either the maximum filament width or the interlayer contact width. Overall, the proposed methodology demonstrates the importance of incorporating filament geometry into 3DCP simulations and provides practical guidance for selecting efficient and accurate geometric representations for buildability assessment.
• Abstract（参考訳）: 堆積フィラメントの幾何学的形態は3次元コンクリート版(3DCP)の構造性能と安定性に大きな影響を及ぼす可能性がある。 しかしながら、有限要素 (FEM) に基づく構築性評価のアプローチは、印刷された層を単純化された矩形として表現し、予測精度を制限している可能性がある。 本研究では,深層学習に基づくフィラメント形状予測ツールShapeGen3DCPとレイヤ活性化FEMアプローチを統合し,現実的なフィラメントジオメトリが構築性に与える影響について検討する。 このフレームワークは、材料およびプロセスパラメータから直接幾何学的な数値モデルを生成し、実験的なフィラメントのキャラクタリゼーションや計算集約的な流体流シミュレーションの必要性をなくす。 実験データに対する検証と直線壁のパラメトリックな研究により, 押出パラメータとフィラメント形状が建設性予測に大きな影響を及ぼすことが示された。 実数的フィラメント表現は特に自由フロー堆積において重要であるが、層圧縮戦略は幾何学的単純化にはあまり敏感ではない。 解析された表現の中で、楕円近似は幾何学的忠実度とモデリングの単純さの効果的なバランスを与える。 より高速なシミュレーションのために正規の計算メッシュを有効にするために長方形の表現が好まれる場合、体積保存に基づいてそれらの次元を定義することにより、最大フィラメント幅または層間接触幅を用いてそれらを校正するよりも予測信頼性が向上する。 提案手法は, 3次元CPシミュレーションにフィラメント幾何を組み込むことの重要性を実証し, 構築性評価のための効率的かつ正確な幾何表現を選択するための実践的ガイダンスを提供する。

関連論文リスト

• StampFormer: A Physics-Guided Material-Geometry-Coupled Multimodal Model for Rapid Prediction of Physical Fields in Sheet Metal Stamping [9.998824681546477]
  StampFormerはコンポーネントジオメトリとマテリアルストレス-制約応答を同時に使用してFAA結果を予測するフレームワークである。 FEAと比較すると, 4つの2次元場の平均相対誤差は8.5%以下であり, 3次元変位場の平均2乗誤差は1.2mm2以下であった。
  論文  参考訳（メタデータ） (2026-05-13T01:13:39Z)
• ShapeGen3DCP: A Deep Learning Framework for Layer Shape Prediction in 3D Concrete Printing [0.4666493857924357]
  本研究は3次元コンクリート印刷におけるフィラメント断面形状予測のための深層学習フレームワークであるShapeGen3DCPを紹介する(3DCP)。 このフレームワークは、流体状態(密度、降伏応力、塑性粘度)の材料特性とプロセスパラメータ(ノズル径、ノズル高さ、印刷速度、流れ速度)の両方を入力として、押出層形状を直接予測するニューラルネットワークアーキテクチャに基づいている。 トレーニングデータセットは、3DCPの確立されたパーティクル有限要素(PFEM)モデルを用いて合成され、実験データの不足を克服した。
  論文  参考訳（メタデータ） (2025-10-02T13:30:20Z)
• Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
  我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。 本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。 実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T16:18:32Z)
• MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
  MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。 本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
  論文  参考訳（メタデータ） (2025-07-07T08:22:32Z)
• Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains [19.755626638375904]
  進化的暗黙の関数として定義された領域の弾性シミュレータ。これは効率的で堅牢で、形状や材料に関して微分可能である。 重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次点に適合するように小さなニューラルネットワークを訓練することである。 提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
  論文  参考訳（メタデータ） (2024-10-12T07:49:23Z)
• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• 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。