Comparison of different supervised machine learning algorithms for bead geometry prediction in GMAW process
Notice bibliographique
Résumé
Gas Metal Arc Welding (GMAW) is an extensively implemented arc welding process through the control of input process parameters and the metal from the filler wire. Despite its popular use in various industries, the complex interrelationship between the actual bead and the varying welding parameters makes it challenging to predict appropriate bead geometries via mathematical modeling in a continually changing welding process. In this study, the Regression Learner App was used to compare the performance of supervised Machine Learning (ML) predictive models comprising the Linear Regression (LR), Regression Tree (RT), Support Vector Machine (SVM), Ensembles of Tree (ET), Gaussian Process Regression (GPR), and Artificial Neural Network (ANN) using GMAW dataset. The dataset was scaled and normalized at a range of -1 to +1 to facilitate the visualization of the variation effect. The wire feed speed, voltage, weld velocity, unmelted wire length, and melted wire volume were considered as the input parameters to predict the bead geometry. In addition, the five-fold cross-validation was employed to avoid overfitting and poor generalization. Finally, statistical indicators, namely the Coefficient of Determination (R2), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE), were performed on all developed models to evaluate their performance. Thus, the fine tree and ANN models achieved the highest prediction accuracies of 88–91%, signifying their potential use in future research. In short, the present study demonstrated the performance of various supervised ML algorithms for bead geometry prediction, which would assist the selection of appropriately supervised ML algorithms in future studies.
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 | 0,001 |
| 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 ».