MétaCan
Menu
Retour à la cohorte
Enregistrement W4283796926 · doi:10.1115/1.4054933

Functional Requirements of Software Tools for Laser-Based Powder Bed Fusion Additive Manufacturing for Metals

2022· article· en· W4283796926 sur OpenAlexaff
Shaw C. Feng, Tesfaye Moges, Hyunseop Park, Mostafa Yakout, Albert Jones, Hyunwoong Ko, Paul Witherell

Notice bibliographique

RevueJournal of Computing and Information Science in Engineering · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésSoftwareSystems engineeringComputer scienceProcess (computing)AnalyticsManufacturing engineeringEngineeringDatabase

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,073
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,102

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,073
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0060,002
Études des sciences et des technologies0,0010,001
Communication savante0,0060,006
Science ouverte0,0050,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,244
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Computing and Information Science in EngineeringMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207