دانلود مقاله انگلیسی رایگان:تلفیق دانش دامنه ای به یادگیری تقویتی برای تسریع در بهینه سازی توالی پیوند - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Incorporating domain knowledge into reinforcement learning to expedite welding sequence optimization Incorporating domain knowledge into reinforcement learning to expedite welding sequence optimization
    Incorporating domain knowledge into reinforcement learning to expedite welding sequence optimization

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Incorporating domain knowledge into reinforcement learning to expedite welding sequence optimization


    ترجمه فارسی عنوان مقاله:

    تلفیق دانش دامنه ای به یادگیری تقویتی برای تسریع در بهینه سازی توالی پیوند


    منبع:

    Sciencedirect - Elsevier - Engineering Applications of Artificial Intelligence, 91 (2020) 103612: doi:10:1016/j:engappai:2020:103612


    نویسنده:

    Jesus Romero-Hdz a,∗, Baidya Nath Saha b, Seiichiro Tstutsumi a, Riccardo Fincato a


    چکیده انگلیسی:

    Welding Sequence Optimization (WSO) is very effective to minimize the structural deformation, however selecting proper welding sequence leads to a combinatorial optimization problem. State-of-the-art algorithms could take more than one week to compute the best sequence for an assembly of eight weld beads which is unrealistic for the early stages of Product Delivery Process (PDP). In this article, we develop and implement a novel Reinforcement Q-learning algorithm for WSO where structural deformation is used to compute reward function. We utilize a thermo-mechanical Finite Element Analysis (FEA) to predict deformation. The exploration–exploitation dilemma has been tackled by domain knowledge driven ????-greedy algorithm into Q-RL which helps to expedite the WSO and we call this novel algorithm as DKQRL. We run welding simulation experiment using well-known Simufact® software on a typical widely used mounting bracket which contains eight welding beads. DKQRL allows the reduction of structural deformation up to ∼71% and it substantially speeds up the computational time over Modified Lowest Cost Search (MLCS), Genetic Algorithm (GA), exhaustive search, and standard RL algorithm. Results of welding simulation demonstrate a reasonable agreement with real experiment in terms of structural deformation.
    Keywords: Welding sequence optimization | FEA based welding simulation | Reinforcement learning | Structural deformation | Residual stress | Artificial intelligence | Machine learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    حجم فایل: 1991 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi