Machine Learning in 3D Printing
Notice bibliographique
Résumé
In just a brief span of time, 3D printing process has made significant strides across various applications. A fundamental advantage of 3D printing lies in its ability to effortlessly produce intricate geometries. In this context, a central issue within 3D printing pertains to precision and achieving minimal tolerances using this technique. Given the mechanism of the 3D printing process, the resulting components can exhibit deviations from the original CAD model, leading to an increased incidence of defects, and reduced production output compared to other methods. Porosity, fractures, and surface unevenness are prevailing challenges inherent to 3D printing that are generally inevitable due to the manufacturing process. Among the available alternatives, compensating for these issues in the automotive industry seems to offer the most advantageous balance, considering aspects like cost and feasibility of implementation. Consequently, identifying discrepancies during the manufacturing process (real-time defect diagnosis and monitoring) and subsequently implementing corrective measures can be executed nearly simultaneously. In the realm of 3D printing, a modern approach involving artificial intelligence (AI), particularly machine learning (ML), has recently emerged to address the challenge of real-time monitoring. Moreover, this approach can extend to optimizing processing parameters, estimating costs, and addressing other pertinent considerations. ML holds the potential to train models for predicting outcomes based on unseen data, especially when abundant data and features are available. This chapter delves into the techniques and recent advancements concerning the integration of AI/ML in 3D printing, as well as the recent progress in monitoring the printing process.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».