Machine learning-based optimization workflow of the homogeneity of spunbond nonwovens with human validation

要約

過去 10 年間の不織布生産の年平均成長率は 4% でした。
2020年と2021年には、新型コロナウイルス感染症（COVID19）のパンデミックと戦うためのFFP2マスクなどの防護服に必要な不織布製品への膨大な需要により、不織布の生産量はさらに増加し​​た。
非線形性が高いため、製造プロセスの最適化は依然として課題です。
この論文では、スパンボンド不織布の均一性の向上を目的とした機械学習ベースの最適化ワークフローを紹介します。
最適化ワークフローは、不織布の微細構造をシミュレートする数学的モデルに基づいています。
このシミュレーターからのトレーニング データに基づいて、時間のかかるシミュレーターの代理モデルを見つけるために、さまざまな機械学習アルゴリズムがトレーニングされます。
人間による検証は、不織布の美しさを評価することによって機械学習アルゴリズムの出力を検証するために採用されています。
科学的かつ専門的な知識をトレーニング データに組み込み、最適化プロセスにかかる計算コストを削減します。
私たちは、不織布の均一性を最適化する際のワークフローの必要性と有効性を実証します。

要約(オリジナル)

In the last ten years, the average annual growth rate of nonwoven production was 4%. In 2020 and 2021, nonwoven production has increased even further due to the huge demand for nonwoven products needed for protective clothing such as FFP2 masks to combat the COVID19 pandemic. Optimizing the production process is still a challenge due to its high nonlinearity. In this paper, we present a machine learning-based optimization workflow aimed at improving the homogeneity of spunbond nonwovens. The optimization workflow is based on a mathematical model that simulates the microstructures of nonwovens. Based on trainingy data coming from this simulator, different machine learning algorithms are trained in order to find a surrogate model for the time-consuming simulator. Human validation is employed to verify the outputs of machine learning algorithms by assessing the aesthetics of the nonwovens. We include scientific and expert knowledge into the training data to reduce the computational costs involved in the optimization process. We demonstrate the necessity and effectiveness of our workflow in optimizing the homogeneity of nonwovens.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google