Real-Time Prediction of Temperature Distribution in Additive Manufacturing Processes Based on Machine Learning
Notice bibliographique
Résumé
Abstract Simulation tools improve various aspects of the additive manufacturing process, however, they come with an undesirable computational time for real-world applications. Finite element analysis (FEA) that solves partial differential equations (PDE) presents promising capabilities in simple additive manufactured components as an expository problem. Yet, PDE-based solutions take significantly long CPU time due to a large number of timesteps required to simulate an additively manufactured part. With modern machine learning (ML) capabilities, a new shift towards integration of FEA and ML has been introduced, where ML algorithms emulate the behavior of the time-consuming PDE-solver for real-time analysis of PDE in a given application. In this paper, we present a deep learning (DL) model that can substitute the thermal analysis of the additive manufacturing process. The training data is obtained by sampling the established physical model’s behavior over different temperatures, cooling rates, and part’s geometries. The network architecture is composed of a Long Short-Term Memory (LSTM) to model the temporal sequence of deposition temperatures derived by PDEs. The reported R2 value on validations data is 97%, while the Mean Absolute Error (MAE) is 0.04. This paper compares the performance between the PDE and DL forecast for the thermal results. We show DL models are promising for simulation of the additive manufacturing process, and can be reliable alternatives for computationally-expensive FEM tools.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».