Precision Glass Thermoforming Assisted by Neural Networks

要約

多くのガラス製品には、高精度で熱成形されたジオメトリが必要です。
ただし、試行やエラーを通じて熱成形プロセスを開発するという従来のアプローチは、時間とリソースの大きな無駄を引き起こし、しばしば失敗する可能性があります。
したがって、精密なガラス熱成形の設計を支援するために、高価なシミュレーションまたは実験を置き換える効率的な予測モデルを開発する必要があります。
この作業では、幾何学的な機能とプロセスパラメーターを入力として使用して、フォームエラーを適切に予測できるため、フォームエラーを適切に予測できるため、形式エラーを適切に予測できるため、代理モデルを報告します。
シミュレーションと産業データを使用した試行は、代理モデルが適切な精度で形成エラーを予測できることを示しています。
知覚エラー（金型設計者の決定）と金型の製造エラーにより、産業トレーニングデータはシミュレーションデータよりも信頼性が低くなりますが、予備トレーニングとテストの結果は、産業データとの合理的な一貫性を達成しており、代理モデルがガラス製造業界で直接実装可能であることを示唆しています。

要約(オリジナル)

Many glass products require thermoformed geometry with high precision. However, the traditional approach of developing a thermoforming process through trials and errors can cause large waste of time and resources and often end up with unsuccessfulness. Hence, there is a need to develop an efficient predictive model, replacing the costly simulations or experiments, to assist the design of precision glass thermoforming. In this work, we report a surrogate model, based on a dimensionless back-propagation neural network (BPNN), that can adequately predict the form errors and thus compensate for these errors in mold design using geometric features and process parameters as inputs. Our trials with simulation and industrial data indicate that the surrogate model can predict forming errors with adequate accuracy. Although perception errors (mold designers’ decisions) and mold fabrication errors make the industrial training data less reliable than simulation data, our preliminary training and testing results still achieved a reasonable consistency with industrial data, suggesting that the surrogate models are directly implementable in the glass-manufacturing industry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google