Functional Requirements of Software Tools for Laser-Based Powder Bed Fusion Additive Manufacturing for Metals
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
Abstract Additive manufacturing (AM) for metals is rapidly transitioning to an accepted production technology, which has led to increasing demands for data analysis and software tools. The performance of laser-based powder bed fusion of metals (PBF-LB/M), a common metal AM process, depends on the accuracy of data analysis. Advances in data acquisition and analysis are being propelled by an increase in new types of in situ sensors and ex situ measurement devices. Measurements taken with these sensors and devices rapidly increase the volume, variety, and value of PBF-LB/M data but decrease the veracity of that data simultaneously. The number of new, data-driven software tools capable of analyzing, modeling, simulating, integrating, and managing that data is also increasing; however, the capabilities and accessibility of these tools vary greatly. Issues associated with these software tools are impacting the ability to manage and control PBF-LB/M processes and qualify the resulting parts. This paper investigates and summarizes the available software tools and their capabilities. Findings are then used to help derive a set of functional requirements for tools that are mapped to PBF-LB/M lifecycle activities. The activities include product design, design analysis, process planning, process monitoring, process modeling, process simulation, and production management. PBF-LB/M users can benefit from tools implementing these functional requirements implemented by (1) shortening the lead time of developing these capabilities, (2) adopting emerging, state-of-the-art, PBF-LB/M data and data analytics methods, and (3) enhancing the previously mentioned AM product lifecycle activities.
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 | 0,001 | 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 | 0,002 |
| 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