Open-source 3-D printing materials database generator
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
Purpose This study aims to apply an open-source approach to protect the 3D printing industry from innovation stagnation due to broad patenting of obvious materials. Design/methodology/approach To do this, first an open-source implementation of the first five conditions of an open-source algorithm developed to identify all obvious 3-D printing materials was implemented in Python, and the compound combinations of two and three constituents were tested on ten natural and synthetic compounds. The time complexity for combinations composed of two constituents and three constituents is determined to be O(n 2 ) and O(n 3 ), respectively. Findings Generating all combinations of materials available on the Chemical Abstracts Services (CAS) registry on the fastest processor on the market will require at least 73.9 h for the latter, but as the number of constituents increases the time needed becomes prohibitive (e.g. 3 constituents is 1.65 million years). To demonstrate how machine learning (ML) could help prioritize both theoretical as well as experimental efforts a three-part biomaterial consisting of water, agar and glycerin was used as a case study. A decision tree model is trained with the experimental data and is used to fill in missing physical properties, including Young's modulus and yield strength, with 84.9 and 85.1% accuracy, respectively. Originality/value The results are promising for an open-source system that can theoretically generate all possible combinations of materials for 3-D printing that can then be used to identify suitable printing material for specific business cases based on desired material properties.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| 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