| Titre : |
Quicker evaluation of the optimum operating point : Machine learning : combining simulation and experimental test data |
| Type de document : |
texte imprimé |
| Auteurs : |
Julia Volke, Auteur ; Felix Finkeldey, Auteur ; Jan-Christoph Zarges, Auteur ; Petra Wiederkehr, Auteur ; Hans-Peter Heim, Auteur |
| Année de publication : |
2021 |
| Article en page(s) : |
p. 24-27 |
| Langues : |
Anglais (eng) |
| Catégories : |
Bases de données
Evaluation
Industrie 4.0Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques.
Matières plastiques -- Moulage par injection
Simulation par ordinateur
StochastiqueUn phénomène stochastique est un phénomène qui ne se prête qu'à une analyse statistique, par opposition à un phénomène déterministe.
En biologie, l’évolution est un exemple de phénomène stochastique.
|
| Index. décimale : |
668.4 Plastiques, vinyles |
| Résumé : |
The resource-economical determination of an optimized operating point in injection molding is still a challenge. Machine learning offers great potential for re-using knowledge from a flow simulation that has already been generated. By transferring methods for combining simulation and experimental test data, the testing effort during sampling can be reduced significantly. |
| Note de contenu : |
- Figure : Significant reduction of the effort for determining the optimum operating point by machine learning
- Fig. 1 : This flat bar was used for determining the real and simulated part properties
- Fig. 2 : Measured and simulated profile of the cavity pressure and computation of the DTW correspondences
- Fig. 3 : Concept of the ML models for data-driven determination of the optimum operating point
- Fig. 4 : Results for prediction of the part thickness and weight, shown in dependence on the proportion of the used simulation ; RMSE: root mean square error
- Table 1. Test design parameters, process data profiles and quality features for generating a suitable database
- Table 2. Process settings in which the highest similarity between the simulation and experimental data were determined |
| En ligne : |
https://drive.google.com/file/d/1fmDhpGnchztwaiewENys7dKd7mkGdtPH/view?usp=drive [...] |
| Format de la ressource électronique : |
Pdf |
| Permalink : |
https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=35535 |
in KUNSTSTOFFE INTERNATIONAL > Vol. 111, N° 3 (2021) . - p. 24-27
Aller sur edunet
Accueil
Quicker evaluation of the optimum operating point in KUNSTSTOFFE INTERNATIONAL, Vol. 111, N° 3 (2021)
