A Comparative Study of Machine Learning Methods for Computational Modeling of the Selective Laser Melting Additive Manufacturing Process
Notice bibliographique
Résumé
Selective laser melting (SLM) is a metal-based additive manufacturing (AM) technique. Many factors contribute to the output quality of SLM, particularly the machine and material parameters. Analysis of the parameters’ effects is critical, but using traditional experimental and numerical simulation can be expensive and time-consuming. This paper provides a framework to analyze the sensitivity and uncertainty in SLM input and output parameters, which can then be used to find the optimum parameters. The proposed data-driven approach combines machine learning algorithms with high-fidelity numerical simulations to study the SLM process more efficiently. We have considered laser speed, hatch spacing, layer thickness, Young modulus, and Poisson ratio as input variables, while the output variables are numerical predicted normal strains in the building part. A surrogate model was constructed with a deep neural network (DNN) or polynomial chaos expansion (PCE) to generate a response surface between the SLM output and the input variables. The surrogate model and the sensitivity analysis found that all five parameters were important in the process. The surrogate model was combined with non-intrusive optimization algorithms such as genetic algorithms (GA), differential evolution (DE), and particle swarm optimization (PSO) to perform an inverse analysis and find the optimal parameters for the SLM process. Of the three algorithms, the PSO performed well, and the DNN model was found to be the most efficient surrogate model compared to the PCE.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».