論文の概要: De-Risking Robotic Welding for In-Space Metal Joining Through Physics-Grounded Digital Twins
- arxiv url: http://arxiv.org/abs/2610.21939v1
- Date: Thu, 15 Oct 2026 14:14:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.121739
- Title: De-Risking Robotic Welding for In-Space Metal Joining Through Physics-Grounded Digital Twins
- Title（参考訳）: 物理界のディジタル双晶による空間金属接合用脱リスキーロボット溶接
- Abstract要約: ISPARKプロジェクトは、構造化プロセス脱リスクのための物理地上デジタルツインを開発している。
本稿では,有限体積熱溶接プールモデル,ガウスプロセス(GP)およびニューラルネットワークサロゲートを組み合わせたモデルベースプロトタイプについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Growing interest in in-space servicing, manufacturing, and assembly has renewed attention on reliable metal joining for modular construction and on-orbit repair. Robotic welding is promising, but reduced-gravity and low-pressure operation remains poorly characterised and flight-like tests are limited. The UK Space Agency-supported ISPARK project is developing a physics-grounded digital twin for structured process de-risking. This paper evaluates a model-based prototype combining a finite-volume thermal weld-pool model, Gaussian-process (GP) and neural-network surrogates, and a simulated six-axis manipulator. The reduced model includes solid-liquid phase change, effective thermocapillary transport, and a local-pressure parameter. Gravity is assessed separately through a hydrostatic-to-capillary pressure ratio and does not enter the thermal energy equation. Across repeated five-fold cross-validation, the GP has lower normalised mean absolute error than the neural network for all eight outputs. In 10 held-out boundary cases, 74 of 80 solver responses fall within nominal 90% GP predictive intervals. A three-output GP query takes 249 microseconds, including scaling and predictive variance. In a simulated UR5 L-shaped-seam study, a proportional controller adjusts the synergic power-source setting as travel speed falls near the corner. Finite-volume re-evaluation finds all 12 closed-loop operating points and 9 of 12 open-loop points within an illustrative 1.0-3.0 mm root-side-width band. These simulation results support using the framework to screen welding conditions and control strategies before experimental tests. Thermal-vacuum, targeted reduced-gravity, and robotic hardware-in-the-loop studies are needed to assess the model and controller.
- Abstract（参考訳）: 宇宙でのサービス、製造、組み立てへの関心が高まり、モジュール構造と軌道上の修理のための信頼性の高い金属接合が注目されるようになった。
ロボット溶接は有望だが、重力の低減と低圧運転は特性が悪く、飛行のような試験は限られている。
イギリス宇宙機関が支援するISPARKプロジェクトは、構造化プロセスの脱リスクのための物理地上デジタルツインを開発している。
本稿では,有限体積熱溶接プールモデル,ガウスプロセス(GP)とニューラルネットワークサロゲートを組み合わせたモデルベースプロトタイプと,シミュレーション6軸マニピュレータについて述べる。
還元モデルは, 固液相変化, 有効熱キャピラリー輸送, 局所圧パラメータを含む。
重力は静水圧対毛細管圧比で別々に評価され、熱エネルギー方程式には入らない。
5倍のクロスバリデーションを繰り返して、GPは8つの出力すべてに対してニューラルネットワークよりも正規化された平均絶対誤差を低くする。
10のホールドアウト境界の場合、80の解答者応答の74は、名目上の90%のGP予測間隔に該当する。
3出力のGPクエリは、スケーリングと予測分散を含む249マイクロ秒を要する。
シミュレーションされたUR5 L-shaped-seam研究において、比例制御器は、走行速度が角付近に落ちるにつれて、シナジー電源の設定を調整する。
有限体積再評価では、12個の閉ループ操作点と12個の開ループ演算点のうち9個の開ループ演算点が、実測的な1.0-3.0mmのルートサイド幅帯域内で見出される。
これらのシミュレーション結果は, 試験前の溶接条件および制御戦略のスクリーニングにフレームワークを使用するのを支援する。
モデルとコントローラを評価するには、熱真空、目標重力の低減、ロボット・ハードウェア・イン・ザ・ループの研究が必要である。
関連論文リスト
- Learn the Dynamics, Enforce the Physics: Generative Latent Operators for High-Dimensional Beam Evolution [46.07155029707905]
本稿では,ビーム進化のための物理制約付き生成潜在演算子GLOBEについて紹介する。
GLOBEはビーム場状態をコンパクトな潜在空間に圧縮し、2つの成分に分解する。
状態特異的でパラメータフリーな演算子によって磁場制約を強制し、ポアソンが静電状態の電場を再構成する。
論文 参考訳（メタデータ） (2026-10-10T03:48:49Z) - Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳（メタデータ） (2026-09-29T11:24:19Z) - Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Multi-Domain Physics-Based MDO of Multirotor UAVs: A Deterministic Framework for Discrete COTS Sizing [1.6114012813668932]
本稿では物理に基づくマルチディシプリナ設計最適化(MDO)エンジンであるAeroEvalについて述べる。
エンジンは、連続サイズ最適化を物理的に購入可能な商用オフザシェルフ(COTS)コンポーネントにマップする。
バッテリーの質量は単パックプラットフォームで7.9%の範囲で予測される。
論文 参考訳（メタデータ） (2026-07-24T03:52:36Z) - RL-Ballast: Ship Ballast Water Path Planning and Clog Prediction via Reinforcement Learning [0.0]
本稿では,適応的バラスト水経路計画とセンサフルーガルブロック候補スコアリングのためのグラフベース深部強化学習フレームワークRL-Ballastを提案する。
部分的に観測可能なバラスト環境は、フレームスタッキングされたタンクレベルとアクション結果と近似され、高次元のPMDPを明示的にモデル化することなく、隠蔽効果を推測することができる。
モンテカルロシミュレーションにより、RL-Ballastは予期せぬ1ブロックシナリオをすべて完了し、Dijkstraルールベースのベースラインと比較して平均決定ステップを61.0から41.5に削減した。
論文 参考訳（メタデータ） (2026-07-06T10:35:51Z) - Advanced Flood Prediction with Physics-Guided Deep Learning: Combining UNet, FNO, and SAR/Optical Imagery [0.3186130813218338]
この研究は、多モードリモートセンシングと深さ平均浅水方程式を統合した物理誘導型ディープラーニングフレームワークを導入する。
提案したハイブリッドアーキテクチャは、UNetとFNO(Fourier Neural Operator)を組み合わせて、流域と流域の油圧相互作用をモデル化する。
このモデルは0.82のユニオンと0.90のF1スコアのインターセクションを達成し、UNetのみのベースラインとFNOのみのベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-02T19:14:04Z) - Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions [0.0]
デジタルツイン技術は、産業プロセスの監視、制御、最適化のための変換機能を提供する。
本研究は, 過渡条件下で動作する2次蒸留塔の動的, トレイワイドなモデリングのための物理インフォームドニューラルネットワーク(PINN)デジタルツインフレームワークを提案する。
提案したPINNデジタルツインは, 工業蒸留プロセスにおけるリアルタイムソフトセンシング, モデル予測制御, 異常検出のための堅牢な基盤として確立された。
論文 参考訳（メタデータ） (2026-03-25T14:45:35Z) - Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。
予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。
その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
論文 参考訳（メタデータ） (2025-10-03T00:18:26Z) - Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。
我々は90～200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。
我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
論文 参考訳（メタデータ） (2025-09-10T16:10:58Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z)
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。