Machine Learning Approaches for Predicting Geometric and Mechanical Characteristics for Single P420 Laser Beads Clad onto an AISI 1018 Substrate
Notice bibliographique
Résumé
Abstract For effective bead deposition based additive manufacturing (AM) processes such as directed energy deposition, the final mechanical and physical properties should be predicted in tandem with the bead geometry characteristics. Experimental approaches to investigate the final geometry and the mechanical properties are costly, and simulation solutions are time-consuming. Alternative artificial intelligent (AI) systems are explored as they are a powerful approach to predict such properties. In the present study, the geometrical properties, as well as the mechanical properties (residual stress and hardness) for single bead clads are investigated. Experimental data is used to calibrate multi-physics finite element models, and both data sets are used to seed the AI models. The adaptive neuro-fuzzy inference system (ANFIS) and a feed-forward back-propagation artificial neural network (ANN) system are utilized to explore their effectiveness in the 1D (discrete values), 2D (cross sections), and 3D (complete bead) domains. The prediction results are evaluated using the mean relative error measure. The ANFIS predictions are more precise than those from the ANN for the 1D and 2D domains, but the ANN had less error for the 3D scenario. These models are capable of predicting the geometrical and the mechanical properties values very well, including capturing the mechanical properties in transient regions; however, this research should be extended for multi- bead scenarios before a conclusive ‘best approach’ strategy can be determined.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».