A Study on Prediction of Weld Geometry in Laser Overlap Welding of Low Carbon Galvanized Steel Using ANN-Based Models
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
Predictive modelling for quality analysis becomes one of the most critical requirements for a continuous improvement of reliability, efficiency and safety of laser welding process. Accurate and effective model to perform non-destructive quality estimation is an essential part of this assessment. This paper presents a structured approach developed to design an effective artificial neural network based model for predicting the weld bead dimensional characteristic in laser overlap welding of low carbon galvanized steel. The modelling approach is based on the analysis of direct and interaction effects of laser welding parameters such as laser power, welding speed, laser beam diameter and gap on weld bead dimensional characteristics such as depth of penetration, width at top surface and width at interface. The data used in this analysis was derived from structured experimental investigations according to Taguchi method and exhaustive FEM based 3D modelling and simulation efforts. Using a factorial design, different neural network based prediction models were developed, implemented and evaluated. The models were trained and tested using experimental data, supported with the data generated by the 3D simulation. Hold-out test and k-fold cross validation combined to various statistical tools were used to evaluate the influence of the laser welding parameters on the performances of the models. The results demonstrated that the proposed approach resulted successfully in a consistent model providing accurate and reliable predictions of weld bead dimensional characteristics under variable welding conditions. The best model presents prediction errors lower than 7% for the three weld quality characteristics.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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