Finding Ideal Parameters for Recycled Material Fused Particle Fabrication-Based 3D Printing Using an Open Source Software Implementation of Particle Swarm Optimization
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
As additive manufacturing rapidly expands the number of materials including waste plastics and composites, there is an urgent need to reduce the experimental time needed to identify optimized printing parameters for novel materials. Computational intelligence (CI) in general and particle swarm optimization (PSO) algorithms in particular have been shown to accelerate finding optimal printing parameters. Unfortunately, the implementation of CI has been prohibitively complex for noncomputer scientists. To overcome these limitations, this article develops, tests, and validates PSO Experimenter, an easy-to-use open-source platform based around the PSO algorithm and applies it to optimizing recycled materials. Specifically, PSO Experimenter is used to find optimal printing parameters for a relatively unexplored potential distributed recycling and additive manufacturing (DRAM) material that is widely available: low-density polyethylene (LDPE). LDPE has been used to make filament, but in this study for the first time it was used in the open source fused particle fabrication/fused granular fabrication system. PSO Experimenter successfully identified functional printing parameters for this challenging-to-print waste plastic. The results indicate that PSO Experimenter can provide 97% reduction in research time for 3D printing parameter optimization. It is concluded that the PSO Experimenter is a user-friendly and effective free software for finding ideal parameters for the burgeoning challenge of DRAM as well as a wide range of other fields and processes.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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