要約
積層造形 (AM) におけるデータ駆動型の研究は、近年大きな成功を収めています。
これにより、大量の科学文献が出現しました。
これらの作品の知識は、統合された方法で採掘および形式化されていない AM および人工知能 (AI) コンテキストで構成されています。
さらに、あるコンテキストから別のコンテキストへのデータ駆動型の知識の伝達をサポートするツールやガイドラインは存在しません。
その結果、特定の AI 技術を使用したデータ駆動型ソリューションが、特定の AM プロセス テクノロジーに対してのみ開発および検証されています。
さまざまな AM テクノロジー間の固有の類似性を利用し、転移学習などの AI を使用して既存のソリューションを 1 つのプロセスまたは問題から別のプロセスまたは問題に適応させる可能性があります。
データ駆動型 AM 知識伝達をサポートするために、AM における 3 段階の知識伝達可能性分析フレームワークを提案します。
移転可能性分析の前提条件として、AM 知識は特定された知識コンポーネントに特徴付けられます。
このフレームワークは、知識の移転を達成するための、移転前、移転、および移転後のステップで構成されます。
ケーススタディは主力金属 AM プロセス間で実施されます。
Laser Powder Bed Fusion (LPBF) は、指向性エネルギー蒸着 (DED) よりも AI を適用する際の相対的な成熟度によって動機付けられた知識の源であり、あまり調査されていないターゲット プロセスとして知識移転の必要性を高めています。
データ表現、モデル アーキテクチャ、モデル パラメーターなど、データ駆動型ソリューションのさまざまなレベルで成功した転送を示します。
AM 知識伝達のパイプラインは将来的に自動化され、効率的なクロスコンテキストまたはクロスプロセスの知識交換が可能になる可能性があります。
要約(オリジナル)
Data-driven research in Additive Manufacturing (AM) has gained significant success in recent years. This has led to a plethora of scientific literature to emerge. The knowledge in these works consists of AM and Artificial Intelligence (AI) contexts that have not been mined and formalized in an integrated way. Moreover, no tools or guidelines exist to support data-driven knowledge transfer from one context to another. As a result, data-driven solutions using specific AI techniques are being developed and validated only for specific AM process technologies. There is a potential to exploit the inherent similarities across various AM technologies and adapt the existing solutions from one process or problem to another using AI, such as Transfer Learning. We propose a three-step knowledge transferability analysis framework in AM to support data-driven AM knowledge transfer. As a prerequisite to transferability analysis, AM knowledge is featurized into identified knowledge components. The framework consists of pre-transfer, transfer, and post-transfer steps to accomplish knowledge transfer. A case study is conducted between flagship metal AM processes. Laser Powder Bed Fusion (LPBF) is the source of knowledge motivated by its relative matureness in applying AI over Directed Energy Deposition (DED), which drives the need for knowledge transfer as the less explored target process. We show successful transfer at different levels of the data-driven solution, including data representation, model architecture, and model parameters. The pipeline of AM knowledge transfer can be automated in the future to allow efficient cross-context or cross-process knowledge exchange.
arxiv情報
| 著者 | Mutahar Safdar,Jiarui Xie,Hyunwoong Ko,Yan Lu,Guy Lamouche,Yaoyao Fiona Zhao |
| 発行日 | 2023-09-12 14:46:56+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google