Effect of Dataset Size and Auxiliary Data in Bayesian Learning of Advanced Manufacturing: A Composite Autoclave Processing Diagnostic Study
Notice bibliographique
Résumé
Abstract Recent advances in data-driven predictive modelling have enabled the emergence of intelligent manufacturing enterprises. Nonetheless, most of the present frameworks incorporate non-interpretable black-box machine learning models, often requiring large datasets and yet lacking ‘diagnostic’ modelling capabilities. In the context of advanced composites manufacturing, where the presence of numerous decision factors and uncertainties can rapidly yield failures, training cost/data-efficient, transparent and diagnostic-capable predictive models continue to highly valuable to pertinent industries. This can specifically allow decision-makers on the manufacturing floor to identify the causes or state variables of the process that contribute to the product failure (e.g., due to an excessive exotherm or lag temperature during curing), and thereby saving sizable volume of material scraps due to trial and errors. In this work, a Bayesian learning framework with inverse modelling capabilities for an advanced composites autoclave curing process has been developed and assessed for the first time, while assuming different dataset size availabilities. The advantages of using both a naïve Bayesian network and a highly-connected Bayesian belief network (BBN) are compared and discussed. The results revealed that integration of expert knowledge under highly-connected Bayesian models can offer a favorable predictive performance for root cause analyses, along with apparent tractability for in-situ applications, despite the very limited-volume of training data, when accompanied with carefully selected auxiliary data (e.g. via the use of a proxy thermocouple during the processing based on expert domain).
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».