Dec, 2023

有限数据下基于机器学习增强的惯性约束聚变目标抛光表面光滑性预测

PDF
TL;DR通过使用振动传感器收集的数据，使用机器学习模型可以实时预测高密度碳球壳体的表面粗糙度，以优化惯性约束聚变过程中的抛光处理。
inertial confinement fusionicfspherical shellmachine learning modelssurface roughness
发现论文，激发创造
  • 基于前期研究数据的数据驱动研究：使用机器学习预测材料挤压表面粗糙度的初步研究

    该研究旨在避免使用大型实验计划来优化材料挤出中的表面粗糙度。通过使用机器学习模型，该研究提供了一种数据驱动的预测建模方法来自动预测基于文献和实验数据的表面粗糙度。研究结果表明，该方法在预测挤出式打印的表面粗糙度方面具有竞争力的结果。

    Jun, 2024

  • 基于多保真机器学习集成框架和高通量飞秒激光加工的 Inconel 光子表面逆向设计

    我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面，该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案，并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集，每个参数集都可以以高精度（均方根误差 < 2%）产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后，MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。

    Jun, 2024

  • 利用激光和机器学习模型进行钢板表面粗糙度参数计算

    通过比较几种数据驱动的方法和闭式形式转化，我们评估了机器学习模型在提高钢带制造中表面质量控制的潜力，并利用最先进的机器学习模型改善了在线测量的表面粗糙度指标。

    Jul, 2023

  • 机器学习加速的模拟使得无启发式表面重建成为可能

    使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

    May, 2023

  • 机械工具间信息共享以提高表面质量预测

    当前，大多数表面质量预测方法只能进行单任务预测，导致数据集被低效利用、重复工作和实验成本增加。为了解决这个问题，作者提出了一种贝叶斯层次模型来预测车削加工过程中的表面粗糙度测量值。该层次模型与多个独立的贝叶斯线性回归模型进行对比，以展示部分汇集在加工环境中对预测精度和不确定性量化的好处。

    Oct, 2023

  • 光学表面压花的物理增强多保真度学习

    使用多保真度神经网络解决反问题，通过纹理映射实现将机械性能的光学图像转化为真实电容力曲线。

    Nov, 2023

  • 加速无机表面的机器学习预测与原子间势

    固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

    Dec, 2023

  • 基于量子机器学习的增材制造试样表面粗糙度预测方法

    本研究比较了三种量子算法，即 QNN，Q-Forest 和 VQC，首次用于预测添加制造的样本表面粗糙度。研究发现，Q-Forest 算法在预测精度上表现最好。

    Apr, 2023

  • 从图像中合成增材制造粗糙度表面的模态生成

    采用傅里叶模式的方法从电子显微镜扫描的添加制造表面中推断和合成粗糙度场，使得合成的粗糙度场光滑并且与计算流体动力学中的网格生成器或其他数值模拟相兼容。与机器学习方法不同，傅里叶模式的方法只需要一次物理粗糙度扫描即可将均匀的合成粗糙度场外推到任意所需大小和范围。从文献中使用电子显微镜粗糙度图像生成了五种类型的合成粗糙度场，它们的频谱能量和双点相关谱的比较表明合成场与扫描的粗糙度结构和频谱能量非常接近。

    Oct, 2023

  • 用于加工金属表面纹理合成的随机几何模型：喷砂和铣削

    使用合成数据和纹理合成模型，构建了数字孪生对象的微观表面拓扑模型，解决了视觉表面检测系统的训练数据不足和缺乏样本缺陷多样性的问题。

    Mar, 2024