Uncertainty Quantification in Material Properties of Additively Manufactured Materials for Application in Topology Optimization
Notice bibliographique
Résumé
Abstract This research presents an approach to measuring the inherent randomness in properties of materials fabricated by the fused filament fabrication (FFF) method. Defects associated with the layer-by-layer process introduce significant variability in the elastic modulus field of materials printed. To describe the random distribution in Young’s modulus fields, statistical properties of mean, variance, and correlation length must be estimated for bulk regions (the printed filaments) and fusion regions (the thin regions connecting printed filaments). The goal is to estimate the random properties from the surface strain fields calculated by digital image correlation (DIC) analysis. A machine learning algorithm is developed that can estimate the spatial variations in the elastic modulus. The model is trained on a dataset of simulated two-dimensional strain fields with known random distributions in the corresponding elastic modulus fields generated by finite element (FE) simulations. On the test data, we achieved the R2 score of 0.93 and 0.95 for the mean in the bulk and fusion Young’s modulus fields, respectively. Also, for the variance in bulk and fusion areas, the R2 score of 0.74 and 0.83 are achieved, respectively. The results demonstrate the feasibility of the proposed approach in measuring the randomness in material properties of FFF-based printed materials.
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 | 0,000 | 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 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 ».