Layer-to-Layer Thermal History Prediction for Thin Walls in Metal Additive Manufacturing
Notice bibliographique
Résumé
Abstract Thermal history has a great effect on the part properties in metal additive manufacturing such as tensile strength and hardness. To study and control the thermal behavior of the AM processes, various data-driven thermal history modeling methods have been developed and tested on simulation data. However, their in-situ application scenarios are rarely explored and discussed. This paper aims to provide a layer-to-layer thermal history prediction model, which enables predicting the thermal history of a yet-to-print layer based on the data measured from the printed lower layers. First, the thermal behavior is analyzed to reveal the similarities in temperature curves of two successive layers. Then four input variables are identified, including the deposition rate, the relative height of the layer, the printing time, and the dwell time of one layer. Based on the selected input variables and the temperature output, a fully connected neural network with residual connection is designed to simplify the training process. Five numerical simulations are designed to collect temperature curves (curve segments of a temperature profile) on each layer, and one experimental study on wire arc additive manufacturing is completed to record the temperature curves. Based on the collected data, three cases are proposed to test the modeling framework, such as (a) dividing all simulation data into the training set and validation set, (b) training the model based on four simulation runs and its validation with the last simulation, and (c) training the model with all simulation data and testing on the experimental data. The former two cases show great prediction accuracies with a relative error of less than 5% in most cases, which indicates its potential in online prediction when trained with data from the same input conditions or same systems. While the applicability of the model trained only with simulation data should be explored further in real experiments.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».