[論文レビュー] Machine Learning Approaches in Agile Manufacturing with Recycled Materials for Sustainability

Aparna S. Varde, Jianyu Liang|arXiv (Cornell University)|Mar 15, 2023

Machine Learning in Materials Science被引用数 6

ひとこと要約

本論文は、再利用および回収素材を用いた、迅速かつ持続可能な製造を実現するための機械学習駆動型意思決定支援システムを提案する。人工ニューラルネットワーク（ANN）、ランダムフォレスト（RF）、畳み込みニューラルネットワーク（CNN）を活用し、微細組織および機械的特性を最大90％の正確さで予測する。この手法により、実験的コストの高い熱処理プロセスのデータ駆動型最適化が可能となり、研究開発の負荷を軽減し、予測分析を活用したグリーン製造の実現に貢献する。

ABSTRACT

It is important to develop sustainable processes in materials science and manufacturing that are environmentally friendly. AI can play a significant role in decision support here as evident from our earlier research leading to tools developed using our proposed machine learning based approaches. Such tools served the purpose of computational estimation and expert systems. This research addresses environmental sustainability in materials science via decision support in agile manufacturing using recycled and reclaimed materials. It is a safe and responsible way to turn a specific waste stream to value-added products. We propose to use data-driven methods in AI by applying machine learning models for predictive analysis to guide decision support in manufacturing. This includes harnessing artificial neural networks to study parameters affecting heat treatment of materials and impacts on their properties; deep learning via advances such as convolutional neural networks to explore grain size detection; and other classifiers such as Random Forests to analyze phrase fraction detection. Results with all these methods seem promising to embark on further work, e.g. ANN yields accuracy around 90\% for predicting micro-structure development as per quench tempering, a heat treatment process. Future work entails several challenges: investigating various computer vision models (VGG, ResNet etc.) to find optimal accuracy, efficiency and robustness adequate for sustainable processes; creating domain-specific tools using machine learning for decision support in agile manufacturing; and assessing impacts on sustainability with metrics incorporating the appropriate use of recycled materials as well as the effectiveness of developed products. Our work makes impacts on green technology for smart manufacturing, and is motivated by related work in the highly interesting realm of AI for materials science.

研究の動機と目的

• 再利用および回収素材を用いた持続可能な迅速製造のためのAIベースの意思決定支援ツールの開発を目的とする。
• データ駆動型予測モデリングにより、時間と費用がかかる実験的試行に依存するのを減らすことを目的とする。
• 廃棄金属ストリームを価値のある製品に変換することで、環境持続可能性を向上させることを目的とし、特に防衛分野への応用を想定する。
• 組成および処理パラメータに基づく迅速かつ正確な材料特性予測を可能にすることで、製造の迅速化を実現することを目的とする。
• 再利用素材の使用と製品効果性に基づいて、持続可能性への影響を評価するための指標を確立することを目的とする。

提案手法

• 焼入れ焼鈍し処理中の微細組織発達を予測するために、人工ニューラルネットワーク（ANN）を採用し、約90％の正確さを達成した。
• 微細組織画像における粒径検出に畳み込みニューラルネットワーク（CNN）を適用し、自動分析を可能にした。
• フレーズ分率検出にランダムフォレスト（RF）を活用し、解釈可能性の高い高精度な予測を実現した。
• データマイニングおよび機械学習技術を統合したフレームワークを構築し、計算的推定およびプロセス最適化を実現した。
• 実験的データを実験室研究から得て、モデルの訓練および検証に使用し、実用的妥当性を確保した。
• VGGやResNetなどの高度なコンピュータビジョンモデルを検討し、正確性、効率性、耐性の向上を図った。

Figure 1: AutoDomainMine for computational estimation

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、再利用鋼合金の熱処理中における微細組織の進化をどの程度正確に予測できるか？
• RQ2 ANN、RF、CNNといった異なる機械学習モデルは、入力パラメータから機械的特性および微細組織特徴を予測する際に、どの程度の性能を示すか？
• RQ3 データ駆動型モデルは、再利用素材を用いた迅速製造における、高コストかつ時間のかかる実験的試行の必要性を軽減できるか？
• RQ4 VGG や ResNet などのコンピュータビジョンモデルは、持続可能な製造における微細組織分析の正確性および耐性をどのように向上できるか？
• RQ5 迅速製造プロセスにおける再利用素材の使用による持続可能性への影響を定量的に評価するのに最も効果的な指標は何か？

主な発見

• 人工ニューラルネットワーク（ANN）は、焼入れ焼鈍しという重要な熱処理プロセスにおいて、微細組織発達の予測に約90％の正確さを達成した。
• 畳み込みニューラルネットワーク（CNN）は、粒径検出において優れた性能を示し、自動的かつスケーラブルな画像ベース分析を可能にした。
• ランダムフォレスト（RF）は、高い正確性に加え、解釈可能性が向上し、材料特性予測における説明可能なAIを支援した。
• 分野の知識を機械学習モデルに統合することで、予測出力の関連性および信頼性が向上した。
• 予備的な結果から、機械学習ツールは、実験室試験のコストと時間を顕著に削減でき、持続可能な製造の目標達成を支援できると示唆された。
• 今後の研究では、最適な正確性および耐性を実現するため、VGG や ResNet といった高度なモデルの検討により、さらなる性能向上が期待される。

Figure 2: Metal waste and its breakdown