A scalable multi-agent deep reinforcement learning in thermoforming: An experimental evaluation of thermal control by infrared camera-based feedback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This manuscript presents the development of multi-agent Deep Reinforcement Learning (DRL) for radiation thermal control in thermoforming processes involving multiple heaters. The complexity of such control systems is characterized by significant action and state spaces, where the actions of all actuators collectively influence the system's output. This complexity introduces substantial challenges regarding the computational demands for offline training of learning-based algorithms and the online computational costs associated with a real-world controller deployment. The study presents a novel approach to training an adaptive and robust DRL agent system that can control a single heating element on the thermoplastic sheet while dynamically considering interactive effects from nearby heaters. Results demonstrated that upon deploying the pre-trained agent for each heater within the heater bank, the group of agents could then regulate the temperature of the sheet to any physically feasible output temperature profile. In contrast to the conventional DRL approach, where a single agent manages all heaters, the multi-agent DRL method boasted that an offline training process was 110 times faster, coupled with an 8 times reduction in the final error margin on the simulator. The experimental data, conducted on a laboratory-scale setup, confirmed the performance of the proposed model, with a final absolute error under 4 ° C . Regardless of the number of heaters, the multi-agent DRL approach exhibited accurate and robust performance. Its advantage was that it incurred no significant offline and online computational burden when the number of heating elements increased, deemed a promising notion for industrial-scale applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle