オペレータ学習による液体金属ジェット付加製造での部品スケールシミュレーションの加速【JST・京大機械翻訳】

Taverniers Soren; Korneev Svyatoslav; Pietrzyk Kyle M.; Behandish Morad

プレプリント

J-GLOBAL ID：202202208884683348 整理番号：22P0286277

オペレータ学習による液体金属ジェット付加製造での部品スケールシミュレーションの加速【JST・京大機械翻訳】

Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月02日プレプリントサーバーでの情報更新日： 2022年02月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

付加製造(AM)プロセスのための部品品質の予測は,最小製造可能な特徴のスケールでのプロセスマルチフィジックスを支配する偏微分方程式(PDEs)の高忠実度数値シミュレーションを必要とする。これは,特に多くの小規模シミュレーションを必要とする場合,部分スケール予測を計算的に要求する。そのような計算の複雑さの説明例として,ドロップオンデマンド液体金属ジェット(LMJ)を考察した。LMJに対する液滴合体を記述するモデルは,結合非圧縮性流体流,熱伝達および相変化方程式を含む。これらの方程式を数値的に解くことは,数千から百万の液滴から成る完全な部分に対する構築プロセスをシミュレートするとき,非常に高価になる。ニューラルネットワーク(NN)またはk最近傍(kNN)アルゴリズムに基づく縮小次数モデル(ROMs)を構築し,元の物理ベースソルバを置換し,部分レベルシミュレーションに対して計算的に扱いやすい。しかし,それらの迅速な推論能力は,しばしば,精度,ロバスト性,および一般化可能性を犠牲にする。演算子学習(OL)アプローチを適用して,急速で正確な部分スケール構築シミュレーションを可能にするための液滴合体プロセスの初期と最終状態の間のマッピングを学習した。予備的な結果は,OLがkNN手法よりも少ないデータポイントを必要とし,類似の予測誤差を達成しながら訓練セットを超えて一般化可能であることを示唆する。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

膜流,液滴,気泡,キャビテーション , 噴流 , 特殊加工 , 印刷

, , , , , , ,

前のページに戻る