Selective LASER melting part quality prediction and energy consumption optimization
Notice bibliographique
Résumé
Abstract Selective LASER Melting (SLM) popularity is increasing because of its ability to quickly produce components with acceptable quality. The SLM process parameters, such as LASER power and scan speed, play a significant role in assuring the quality of customized SLM products. Therefore, the process parameters must be tuned appropriately to achieve high-quality customized products. Most existing methods for adjusting the SLM’s parameters use multiple inputs and one or two outputs to develop a model for achieving their desired quality. However, the number of the model’s input and output parameters to be considered can be increased to achieve a more comprehensive model. Furthermore, energy consumption is also a factor that should be considered when adjusting input parameters. This paper presents a multi-inputs-multi-outputs (MIMO) artificial neural network model to predict the SLM product qualities. We also try to combine training data from different sources to achieve a more general model that can be used in real applications by industries. The model inputs are LASER power, scan speed, overlap rate, and hatch distance. Moreover, four critical product quality measures: relative density, hardness, tensile strength, and porosity, are used as the model’s outputs. After finding a proper model, an energy optimization method is developed using the genetic algorithm in this paper. The objective of the optimization is to minimize the energy consumption of SLM manufacturing with a less compromised output quality. The results of this study can be used in the industry to decrease energy consumption while maintaining the required quality.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».