Machine learning for characterizing uncertain elastic properties of fused filament fabricated materials for topology optimization applications
Notice bibliographique
Résumé
The layering approach used in fused filament fabrication (FFF) enables creation of complex designs generated by topology optimization. Defects associated with the layer-by-layer process, introduce considerable random variability to the local elastic modulus of the print. The elastic modulus along the fusion layers connecting bulk materials differs from that of the bulk areas. Accurate quantitative measurements of variations in both areas are essential to achieve robust optimized designs. This study aims to quantify the parameters of the random distributions given the surface strain field of the print measured by digital image correlation (DIC). Two statistical properties, mean and standard deviation, are sufficient to characterize the stochastic elastic modulus fields in each region. An efficient neural network model is developed to estimate spatial variations in the local elastic modulus within both bulk and fusion layers. This model is trained on a dataset of synthetic strain fields with known distributions in the elastic modulus fields. It performs well in correlating the elastic modulus with the input strain, as long as the standard deviation is below 60% of the mean of the random field. The predictive accuracy of the model on testing data, measured by the R2 score, is 0.99 and 0.95 for mean and standard deviation in the fusion material. The scores for the bulk material are 0.97 each. The trained model is implemented to predict the elastic modulus distribution of an FFF-printed material at a print speed of 30 mm/s and an extrusion temperature of 493.15 K, based on its DIC-measured surface strain data. The model predicts a mean and standard deviation of 1.2 GPa and 1 GPa for the bulk material and 400 MPa and 430 MPa for the fusion region. Validation of predictions confirms the reliability of this approach in measuring uncertainty in the local properties of the prints.
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 | 0,000 |
| 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 ».