Review of Intelligence for Additive and Subtractive Manufacturing: Current Status and Future Prospects
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
Additive manufacturing (AM), an enabler of Industry 4.0, recently opened limitless possibilities in various sectors covering personal, industrial, medical, aviation and even extra-terrestrial applications. Although significant research thrust is prevalent on this topic, a detailed review covering the impact, status, and prospects of artificial intelligence (AI) in the manufacturing sector has been ignored in the literature. Therefore, this review provides comprehensive information on smart mechanisms and systems emphasizing additive, subtractive and/or hybrid manufacturing processes in a collaborative, predictive, decisive, and intelligent environment. Relevant electronic databases were searched, and 248 articles were selected for qualitative synthesis. Our review suggests that significant improvements are required in connectivity, data sensing, and collection to enhance both subtractive and additive technologies, though the pervasive use of AI by machines and software helps to automate processes. An intelligent system is highly recommended in both conventional and non-conventional subtractive manufacturing (SM) methods to monitor and inspect the workpiece conditions for defect detection and to control the machining strategies in response to instantaneous output. Similarly, AM product quality can be improved through the online monitoring of melt pool and defect formation using suitable sensing devices followed by process control using machine learning (ML) algorithms. Challenges in implementing intelligent additive and subtractive manufacturing systems are also discussed in the article. The challenges comprise difficulty in self-optimizing CNC systems considering real-time material property and tool condition, defect detections by in-situ AM process monitoring, issues of overfitting and underfitting data in ML models and expensive and complicated set-ups in hybrid manufacturing 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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