Toward Sub-Surface Pore Prediction Capabilities for Laser Powder Bed Fusion Using Data Science
Notice bibliographique
Résumé
Abstract Achieving defect-free parts is traditionally challenging in laser powder bed fusion (LPBF). The mechanical properties of additively manufactured parts are highly affected by their density; as such, research in defect detection and pore prediction has gained significant interest. The process parameters, the powder characteristics, and the process environment conditions play an important role in defect occurrence. Moreover, the laser scan path affects density, especially at scan path discontinuities. In this work, the complex interaction between the process parameters and the scan path on the occurrence of subsurface pores is investigated. In the data preparation step, a synthetic data set is generated to model the melt pool morphology along the scan path. A secondary data set containing the pore space of the resulting parts is obtained via X-ray computed tomography (CT) and is registered with the synthetic data set. Machine learning models, namely, a Conditional Variational AutoEncoder (CVAE) and a Convolutional Neural Network (CNN), are then trained based on the input features to predict pore occurrence. The performance evaluation of both CNN and CVAE models on synthetic data indicates that the scan path and process parameters can be utilized in predicting pore locations. Quantitative results show that employing offline CT images a priori in training the CVAE, without the need to have CT information in the test phase, leads the CVAE model to superior performance over the CNN.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».