Machine acceleration time series prediction for dimensional accuracy of 3D printed parts
Notice bibliographique
Résumé
This study explores the influence of infill patterns on machine acceleration prediction in the realm of three-dimensional (3D) printing, particularly focusing on extrusion technology. Our primary objective was to develop a long short-term memory (LSTM) network capable of assessing this impact. We conducted an extensive analysis involving 12 distinct infill patterns, collecting time-series data to examine their effects on the acceleration of the printer’s bed. The LSTM network was trained using acceleration data from the adaptive cubic infill pattern, while the Archimedean chords infill pattern provided data for evaluating the network’s prediction accuracy. This involved utilizing offline time-series acceleration data as the training and testing datasets for the LSTM model. Specifically, the LSTM model was devised to predict the acceleration of a fused deposition modeling (FDM) printer using data from the adaptive cubic infill pattern. Rigorous testing yielded a root mean square error (RMSE) of 0.007144, reflecting the model’s precision. Further refinement and testing of the LSTM model were conducted using acceleration data from the Archimedean chords infill pattern, resulting in an RMSE of 0.007328. Notably, the developed LSTM model demonstrated superior performance compared to an optimized recurrent neural network (RNN) in predicting machine acceleration data. The empirical findings highlight that the adaptive cubic infill pattern considerably influences the dimensional accuracy of parts printed using FDM technology.
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 | 0,001 |
| 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 ».