Knowledge-Based Design of Artificial Neural Network Topology for Additive Manufacturing Process Modeling: A New Approach and Case Study for Fused Deposition Modeling
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
Additive manufacturing (AM) continues to rise in popularity due to its various advantages over traditional manufacturing processes. AM interests industry, but achieving repeatable production quality remains problematic for many AM technologies. Thus, modeling different process variables in AM using machine learning can be highly beneficial in creating useful knowledge of the process. Such developed artificial neural network (ANN) models would aid designers and manufacturers to make informed decisions about their products and processes. However, it is challenging to define an appropriate ANN topology that captures the AM system behavior. Toward that goal, an approach combining dimensional analysis conceptual modeling (DACM) and classical ANNs is proposed to create a new type of knowledge-based ANN (KB-ANN). This approach integrates existing literature and expert knowledge of the AM process to define a topology for the KB-ANN model. The proposed KB-ANN is a hybrid learning network that encompasses topological zones derived from knowledge of the process and other zones where missing knowledge is modeled using classical ANNs. The usefulness of the method is demonstrated using a case study to model wall thickness, part height, and total part mass in a fused deposition modeling (FDM) process. The KB-ANN-based model for FDM has the same performance with better generalization capabilities using fewer weights trained, when compared to a classical ANN.
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 | 0,000 |
| 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