Machine Learning-Assisted Characterization of Pore-Induced Variability in Mechanical Response of Additively Manufactured Components
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
Manufacturing defects, such as porosity and inclusions, can significantly compromise the structural integrity and performance of additively manufactured parts by acting as stress concentrators and potential initiation sites for failure. This paper investigates the effects of pore system morphology (number of pores, total volume, volume fraction, and standard deviation of size of pores) on the material response of additively manufactured Ti6Al4V specimens under a shear–compression stress state. An automatic approach for finite element simulations, using the J2 plasticity model, was utilized on a shear–compression specimen with artificial pores of varying characteristics to generate the dataset. An artificial neural network (ANN) surrogate model was developed to predict peak force and failure displacement of specimens with different pore attributes. The ANN demonstrated effective prediction capabilities, offering insights into the importance of individual input variables on mechanical performance of additively manufactured parts. Additionally, a sensitivity analysis using the Garson equation was performed to identify the most influential parameters affecting the material’s behaviour. It was observed that materials with more uniform pore sizes exhibit better mechanical properties than those with a wider size distribution. Overall, the study contributes to a better understanding of the interplay between pore characteristics and material response, providing better defect-aware design and property–porosity linkage in additive manufacturing processes.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 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