An integrated fuzzy logic and machine learning platform for porosity detection using optical tomography imaging during laser powder bed fusion
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
Abstract Traditional methods such as mechanical testing and x-ray computed tomography (CT), for quality assessment in laser powder-bed fusion (LPBF), a class of additive manufacturing (AM), are resource-intensive and conducted post-production. Recent advancements in in-situ monitoring, particularly using optical tomography (OT) to detect near-infrared light emissions during the process, offer an opportunity for in-situ defect detection. However, interpreting OT datasets remains challenging due to inherent process characteristics and disturbances that may obscure defect identification. This paper introduces a novel machine learning-based approach that integrates a self-organizing map, a fuzzy logic scheme, and a tailored U-Net architecture to enhance defect prediction capabilities during the LPBF process. This model not only predicts common flaws such as lack of fusion and keyhole defects through analysis of in-situ OT data, but also allows quality assurance professionals to apply their expert knowledge through customizable fuzzy rules. This capability facilitates a more nuanced and interpretable model, enhancing the likelihood of accurate defect detection. The efficacy of this system has been validated through experimental analyses across various process parameters, with results validated by subsequent CT scans, exhibiting strong performance with average model scores ranging from 0.375 to 0.819 for lack of fusion defects and from 0.391 to 0.616 for intentional keyhole defects. These findings underscore the model’s reliability and adaptability in predicting defects, highlighting its potential as a transformative tool for in-process quality assurance in AM. A notable benefit of this method is its adaptability, allowing the end-user to adjust the probability threshold for defect detection based on desired quality requirements and custom fuzzy rules.
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 | 0,000 | 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 découle