MMAug, 2023

利用熔池图像流评估用于印迹异常分类的关键时空学习器

PDF
TL;DR机器学习在金属增材制造中的应用研究表明，利用熔池特征进行实时缺陷预测是解决普及金属增材制造技术的关键障碍之一，本研究实践了基于新颖时空模型的深度学习，用于分类来自不同材料、系统和应用的熔池图像序列，并发现只有 Kinetics400 预训练的 SlowFast 双流网络能够在数据扰动下具备鲁棒的泛化能力。
machine learningmetal additive manufacturingmelt pool image dataspatiotemporal modelsgeneralization capabilities
发现论文，激发创造
  • MeltpoolNet: 金属添加制造中的熔池特征预测，使用机器学习

    本文引入了一个全面的机器学习框架，利用物理感知型的 MAM 特征化、多功能机器学习模型和评估指标，预测熔池缺陷和几何形状，为熔池控制和工艺优化提供了基础。此外，还发现了基于数据驱动的显式模型，用于从工艺参数和材料性质估算熔池几何形状。

    Jan, 2022

  • 3D 打印时间序列数据分类方法评估

    本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

    Oct, 2020

  • 基于视觉 Transformer 的熔池深度轮廓预测的深度学习方法

    用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

    Apr, 2024

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • TDIP: 可调深度图像处理，实时熔池监测解决方案

    在工业 4.0 时代，3D 打印成型工艺作为一种创新且具有成本效益的方法，特别是金属 3D 打印，因其制造高度复杂几何结构的能力而成为重要的贡献者。然而，该行业仍然缺乏实时的过程监控算法。本文提出了可调谐深度图像处理方法（TDIP）来解决实时数据密集型监测需求，并取得了显著的处理时间减少，使得基于视觉的监控能够与过程及质量估计实时集成。

    Mar, 2024

  • 一个增强型的基于惊喜引导的顺序学习框架用于预测熔池几何形状

    利用先进的数据驱动技术在网络制造中，尤其是克服金属添加制造的传统挑战方面，展示了顺序人工智能和机器学习的巨大影响。

    Jan, 2024

  • 氩气驱动熔融池动力的物理信息机器学习

    通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的 Navier-Stokes 方程，显著降低了计算成本。

    Jul, 2023

  • 金属增材制造中基于物理启发神经网络的实时二维温度场预测

    利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。

    Jan, 2024

  • 借助时间预测损失在感知中利用时间属性进行基于流的主动学习

    我们通过利用时间性质和引入一种新的方法，即时预测损失方法 (TPL)，在移动设备和机器人上实现了流媒体主导的主动学习方法。我们还通过比较基于池的方法和基于流媒体的方法，证明了 TPL 方法在感知应用中的高性能，能够显著提高数据选择的多样性和准确性。

    Sep, 2023

  • 低成本高保真融池模型在增材制造中的应用：基于生成式深度扩散的方法

    通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了 3 微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

    Nov, 2023