Reduced Order Modeling of a MOOSE-based Advanced Manufacturing Model with Operator Learning

要約

Advanced Manufacturing (AM) は、核物質への応用の可能性から原子力コミュニティで大きな関心を集めています。
課題の 1 つは、実行時に製造プロセスを制御することで、望ましい材料特性を取得することです。
深層強化学習 (DRL) に基づくインテリジェント AM は、自動化されたプロセスレベルの制御メカニズムに依存して、最終製品の特性を向上させるための最適な設計変数と適応システム設定を生成します。
直接エネルギー堆積のための高忠実度の熱機械モデルが最近、アイダホ国立研究所 (INL) の MOOSE フレームワーク内で開発されました。
この研究の目標は、DRL ベースのプロセス制御および最適化手法で使用できる、この MOOSE ベースの AM モデル用の正確で高速実行の縮小次数モデル (ROM) を開発することです。
この作業では、レーザーのガウス点熱源のプロセス変数を変更することによって生成される一連の微分方程式を学習できるため、オペレーター学習 (OL) ベースの方法が採用されます。
フーリエニューラル演算子を用いたOLベースのROMを開発し、従来のディープニューラルネットワークベースのROMとのベンチマーク比較を行います。

要約(オリジナル)

Advanced Manufacturing (AM) has gained significant interest in the nuclear community for its potential application on nuclear materials. One challenge is to obtain desired material properties via controlling the manufacturing process during runtime. Intelligent AM based on deep reinforcement learning (DRL) relies on an automated process-level control mechanism to generate optimal design variables and adaptive system settings for improved end-product properties. A high-fidelity thermo-mechanical model for direct energy deposition has recently been developed within the MOOSE framework at the Idaho National Laboratory (INL). The goal of this work is to develop an accurate and fast-running reduced order model (ROM) for this MOOSE-based AM model that can be used in a DRL-based process control and optimization method. Operator learning (OL)-based methods will be employed due to their capability to learn a family of differential equations, in this work, produced by changing process variables in the Gaussian point heat source for the laser. We will develop OL-based ROM using Fourier neural operator, and perform a benchmark comparison of its performance with a conventional deep neural network-based ROM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google