Artificial Neural Network-Based Process Recommender System for Addictive Manufacturing
Notice bibliographique
Résumé
3D printing is a rapid and cost-effective manufacturing process widely used for small-scale customized production [1][2][3][4].However, depending on the target product, optimizing process conditions may be required, which can be time-consuming and costly [5,6].Moreover, optimization efforts relying on trial-and-error methods are even more time-consuming than simulation or technical approaches for process optimization [4,7].This study focuses on the development of a process recommender system for 3D metal printing using an artificial neural network.The dataset consists of five input parameters, including laser power, scan speed, hatching angle, hatching distance, and layer thickness, and one output parameter, which is density.To achieve optimal efficiency with minimal data, the training dataset was designed using Taguchi and random sampling methods.Four processing conditions and three levels based on L9 orthogonal arrays were employed to collect the dataset.The correlation between inputs and output of the collected data was analyzed.The AI model for the artificial neural network was developed through hyperparameter tuning, considering the optimizer, loss function, learning rate, activation function, and others.In addition, the cross-validation method was used to overcome a small number of data.Sensitivity analysis was conducted to identify the main processing conditions for the prediction model.Based on the developed AI model, it becomes possible to predict the density for a given process condition.However, the ultimate goal of this study is to derive the optimal process conditions to achieve the desired density.Therefore, a recommender system was developed using the random search method to suggest the optimal process conditions.
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 ».