Beyond global energy density for direct energy deposition: machine learning for modelling and optimizing process parameters
Notice bibliographique
Résumé
<title>Abstract</title> Additive manufacturing (AM) has numerous process parameters that lead to significant variation in the success and quality of the manufactured product. The input parameter of ‘global energy distribution’ (GED) is used throughout the literature to describe the input energy onto the surface of a build due to the combination of laser power, laser scanning speed and laser spot size. This paper identifies more accurate modelling using machine learning for the GED constituent process parameters and their influence on the responses of manufacturing layer height, relative density and grain size on the build. The layer height was best modelled using an artificial neural network (ANN) which produced an R<sup>2</sup> value of 0.97 and a root mean square error (RMSE) over the data set of 0.03mm. An accurate prediction model was produced to aid manufacturers in setting the ‘layer height’ user parameter. The relative density was best modelled using multi linear regression (MLR) and produced an R<sup>2</sup> of 0.73 and a RMSE of 0.66%. The grain size was best modelled using an ANN and produced an R<sup>2</sup> of 0.85 and RMSE of 9.68µm. These models show why reproducibility is difficult when considering GED singularly, as each of the constituent parameters influence these individual responses to varying magnitudes. The methodology presented should aid industrial users with resource efficient process parameter response modelling with application in process/product optimization.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| 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 ».