文献

J-GLOBAL ID：202202267888006289   整理番号：22A0924201

金属ベースレーザ粉末ベッド融合プロセスにおける材料を横切る付加製造機構の深い移動学習【JST・京大機械翻訳】

Deep transfer learning of additive manufacturing mechanisms across materials in metal-based laser powder bed fusion process

著者 (7件)： Pandiyan Vigneashwara (Laboratory for Advanced Materials Processing (LAMP), Swiss Federal Laboratories for Materials Science and Technology (Empa), CH-3602 Thun, Switzerland) ,  Drissi-Daoudi Rita (Thermomechanical Metallurgy Laboratory - PX Group Chair, Ecole Polytechnique Federale de Lausanne (EPFL), CH-2002 Neuchatel, Switzerland) ,  Shevchik Sergey (Laboratory for Advanced Materials Processing (LAMP), Swiss Federal Laboratories for Materials Science and Technology (Empa), CH-3602 Thun, Switzerland) ,  Masinelli Giulio (Laboratory for Advanced Materials Processing (LAMP), Swiss Federal Laboratories for Materials Science and Technology (Empa), CH-3602 Thun, Switzerland) ,  Le-Quang Tri (Laboratory for Advanced Materials Processing (LAMP), Swiss Federal Laboratories for Materials Science and Technology (Empa), CH-3602 Thun, Switzerland) ,  Loge Roland (Thermomechanical Metallurgy Laboratory - PX Group Chair, Ecole Polytechnique Federale de Lausanne (EPFL), CH-2002 Neuchatel, Switzerland) ,  Wasmer Kilian (Laboratory for Advanced Materials Processing (LAMP), Swiss Federal Laboratories for Materials Science and Technology (Empa), CH-3602 Thun, Switzerland)
資料名： Journal of Materials Processing Technology  (Journal of Materials Processing Technology)
巻： 303  ページ： Null  発行年： 2022年 
JST資料番号： H0650A  ISSN： 0924-0136  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 金属ベースのレーザ粉末Bed核融合(LPBF)プロセスにおける欠陥領域は,機械学習(ML)アルゴリズムとセンシング技術から成るin situモニタリング戦略を展開することによって最小化できる。これまで,特定の材料タイプを監視するために訓練されたアルゴリズムは,添加剤製造(AM)における他の材料をモニターするために再利用できない。これはAMではほとんど研究されていないトピックである。MLにおける移動学習のアイデアに触発されて,著者らは,2つの自然の深い学習(DL)ネットワーク,すなわち,VGGとResNetsによって学習された知識を,球状化,融合のLack(LoF)細孔,伝導モード,およびステンレス鋼(316L)におけるキーホール細孔を,ブロンズ(CuSn8)に移すことができる。本研究では,ステンレス鋼と青銅のLBPFプロセス中のアコースティックエミッション(AE)に関するウェーブレット変換(WT)を用いて計算したスペクトログラムを用いて,2つのDLネットワークを訓練した。ステンレス鋼処理中の4つの機構を表すスペクトログラムによる分類のために,ネットワークを最初に訓練した。次に,訓練されたモデルを,類似した分類タスクのためにブロンズデータからスペクトログラムによる移動学習を用いて再訓練した。転送学習中の2つのネットワークの精度は,最小ネットワーク訓練時間とデータセット収集で,1つの材料からもう1つの材料への移動可能な特徴を学習できることを示している。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *金属 ,  *粉体 ,  *学習 ,  ネットワーク ,  *ベッド ,  ステンレス鋼 ,  青銅 ,  核融合 ,  *工程 ,  球状化 ,  アコースティックエミッション ,  機械学習 ,  ウェーブレット変換 ,  *付加製造

著者キーワード (5件)： 粉体層融合 ,  現場モニタリング ,  ウェーブレット変換 ,  畳込みニューラルネットワーク ,  転移学習

分類 (3件)： 特殊成形  (WC04040W) ,  溶接技術  (WC07030G) ,  機械的性質  (WB02030U)

タイトルに関連する用語 (7件)： レーザ ,  粉末 ,  ベッド ,  融合 ,  プロセス ,  付加製造 ,  学習