Experimental investigation and development of a deep learning framework to predict process-induced surface roughness in additively manufactured aluminum alloys
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 A deep learning framework is developed to predict the process-induced surface roughness of AlSi10Mg aluminum alloy fabricated using laser powder bed fusion (LPBF). The framework involves the fabrication of round bar AlSi10Mg specimens, surface topography measurement using 3D laser scanning profilometry, extraction, coupling, and streamlining of roughness and LPBF processing data, feature engineering to select the relevant feature set and the development, validation, and evaluation of a deep neural network model. A mix of core and contour-border scanning strategies are employed to fabricate four sets of specimens with different surface roughness conditions. The effects of different scanning strategies, linear energy density (LED), and specimen location on the build plate on the resulting surface roughness are discussed. The inputs to the deep neural network model are the AM process parameters (i.e., laser power, scanning speed, layer thickness, specimen location on the build plate, and the x , y grid location for surface topography measurements), and the output is the surface profile height measurements. The proposed deep learning framework successfully predicts the surface topography and related surface roughness parameters for all printed specimens. The predicted surface roughness ( $${S}_{a}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:msub> <mml:mi>S</mml:mi> <mml:mi>a</mml:mi> </mml:msub> </mml:math> ) measurements are well within 5% of experimental error for the majority of the cases. Moreover, the intensity and location of the surface peaks and valleys as well as their shapes are well predicted, as demonstrated by comparing roughness line scan results with corresponding experimental data. The successful implementation of the current framework encourages further applications of such machine learning-based methods toward AM material development and process optimization.
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 | 0,000 | 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