Comparative assessment of supervised machine learning algorithms for predicting geometric characteristics of laser cladded inconel 718
Notice bibliographique
Résumé
Abstract Laser cladding, an innovative surface modification and coating preparation process, has emerged as a research hotspot in material surface modification and green remanufacturing domains. In the laser cladding process, the interaction between laser light, powder particles, and the substrate results in a complicated mapping connection between process parameters and clad layer quality. This work aims to shed light on this mapping using fast evolving machine learning algorithms. A full factorial experimental design was employed to clad Inconel 718 powder on an A286 substrate comprising 64 groups. Analysis of variance, contour plots, and surface plots were used to explore the effects of laser power, powder feeding rate, and scanning speed on the width, height, and dilution rate of the cladding. The performance of the predictive models was evaluated using the index of merit (IM), which includes mean square error (MSE), mean absolute error (MAE), and coefficient of determination (R2). By comparing the performance of the models, it was found that the Extra Trees, Random forest regression, Decision tree regression, and XGBoost algorithms exhibited the highest predictive accuracy. Specifically, the Extra Trees algorithm outperformed other machine learning models in predicting the cladding width, while the RFR algorithm excelled in predicting the associated height. The DTR algorithm demonstrated the best performance in predicting the cladding dilution rate. The R2 values for width, height, and dilution rate were found to be 0.949, 0.954, and 0.912, respectively, for these three models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».