一种用于预测熔池几何形状的增强型惊奇引导序列学习框架
机器学习
2024-01-12 v1 机器学习
摘要
金属增材制造 (Metal Additive Manufacturing, MAM) 重塑了制造业，带来了诸如复杂设计、最小化浪费、快速原型制作、材料多样性和定制化解决方案等优势。然而，其全面的工业应用仍面临障碍，尤其是在实现一致的产品质量方面。MAM 成功的一个关键方面是理解工艺参数与熔池特性之间的关系。将人工智能 (AI) 集成到 MAM 中至关重要。传统的机器学习 (ML) 方法虽然有效，但依赖大型数据集来捕捉复杂关系，由于数据集创建需要大量时间和资源，这在 MAM 中是一个重大挑战。我们的研究引入了一种新颖的惊奇引导序列学习框架 SurpriseAF-BO，标志着 MAM 领域的重大转变。该框架采用迭代、自适应学习过程，利用有限数据对工艺参数与熔池特性之间的动态关系进行建模，这在 MAM 的赛博制造背景下是一个关键优势。与传统 ML 模型相比，我们的序列学习方法对熔池尺寸显示出更高的预测精度。为进一步改进我们的方法，我们将条件表格生成对抗网络 (Conditional Tabular Generative Adversarial Network, CTGAN) 集成到框架中，形成 CT-SurpriseAF-BO。这能生成类似于真实实验数据的合成数据，提高学习效果。这种增强在不需额外物理实验的情况下提升了预测精度。我们的研究展示了先进数据驱动技术在赛博制造中的力量，以及序列 AI 和 ML 在克服 MAM 传统挑战方面的重大影响。
引用
@article{arxiv.2401.05579,
title = {An Augmented Surprise-guided Sequential Learning Framework for Predicting the Melt Pool Geometry},
author = {Ahmed Shoyeb Raihan and Hamed Khosravi and Tanveer Hossain Bhuiyan and Imtiaz Ahmed},
journal= {arXiv preprint arXiv:2401.05579},
year = {2024}
}