Quality classification model with machine learning for porosity prediction in laser welding 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
The growing implementation of aluminum alloys in industry has focused interest on studying transformation processes such as laser welding. This process generates different kinds of signals that can be monitored and used to evaluate it and make a quality analysis of the final product. Internal defects that are difficult to detect, such as porosity, are one of the most critical irregularities in laser welding. This kind of defect may result in a critical failure of the manufactured goods, affecting the final user. In this research, a porosity prediction method using a high-speed camera monitoring system and machine learning (ML) algorithms is proposed and studied to find the most performant methodology to resolve the prediction problem. The methodology includes feature extraction by high-speed X-ray analysis, feature engineering and selection, imbalance treatment, and the evaluation of the ML algorithms by metrics such as accuracy, AUC (area under the curve), and F1. As a result, it was found that the best ML algorithm for porosity prediction in the proposed setup is Random Forest with a 0.83 AUC and 75% accuracy, 0.75 in the F1 score for no porosity, and 0.76 in the F1 score for porosity. The results of the proposed model and methodology indicate that they could be implemented in industrial applications for enhancing the final product quality for welded plates, reducing process waste and product quality analysis time, and increasing the operational performance of the process.
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