MétaCan
Menu
Retour à la cohorte
Enregistrement W2773370833 · doi:10.1108/rpj-04-2016-0059

Development of predictive models for effective process parameter selection for single and overlapping laser clad bead geometry

2017· article· en· W2773370833 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueRapid Prototyping Journal · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésResponse surface methodologyDesign of experimentsBeadArtificial neural networkProcess (computing)Goodness of fitLaser power scalingMaterials scienceCladding (metalworking)Mechanical engineeringComputer scienceEngineeringLaserArtificial intelligenceMachine learningMathematicsOpticsComposite materialStatistics

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this work is to explore predictive model approaches for selecting laser cladding process settings for a desired bead geometry/overlap strategy. Complementing the modelling challenges is the development of a framework and methodologies to minimize data collection while maximizing the goodness of fit for the predictive models. This is essential for developing a foundation for metallic additive manufacturing process planning solutions. Design/methodology/approach Using the coaxial powder flow laser cladding method, 420 steel cladding powder is deposited on low carbon structural steel plates. A design of experiments (DOE) approach is taken using the response surface methodology (RSM) to establish the experimental configuration. The five process parameters such as laser power, travel speed, etc. are varied to explore their impact on the bead geometry. A total of three replicate experiments are performed and the collected data are assessed using a variety of methods to determine the process trends and the best modelling approaches. Findings There exist unpredictable, non-linear relationships between the process parameters and the bead geometry. The best fit for a predictive model is achieved with the artificial neural network (ANN) approach. Using the RSM, the experimental set is reduced by an order of magnitude; however, a model with R 2 = 0.96 is generated with ANN. The predictive model goodness of fit for a single bead is similar to that for the overlapping bead geometry using ANN. Originality/value Developing a bead shape to process parameters model is challenging due to the non-linear coupling between the process parameters and the bead geometry and the number of parameters to be considered. The experimental design and modelling approaches presented in this work illustrate how designed experiments can minimize the data collection and produce a robust predictive model. The output of this work will provide a solid foundation for process planning operations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,783
Score d'incertitude au seuil0,642

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,262
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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