Enhancing Printability Through Design Feature Analysis for 3D Food Printing Process Optimization
Notice bibliographique
Résumé
We present a novel, systematic method for evaluating design printability in 3D food printing using a scoring system based on the Design for Additive Manufacturing (DfAM) guidelines. This study addresses a gap in the current literature by proposing a structured approach to assess and enhance the printability of 3D food designs. Our framework consists of a set of nine critical questions derived from the multi-level DfAM guidelines, focusing on key printability factors including unsupported features, geometric accuracy, and surface finish. The evaluation process converts qualitative assessments into numerical values, resulting in a comprehensive printability score that categorizes designs into high, moderate, or low printability levels. To validate the effectiveness of this method, we conducted a case study involving five different designs. The scoring system successfully explores the design space and maximizes the printability of 3D food products. This method alleviates the challenges in design evaluation compared with traditional trial-and-error approaches. The results demonstrate the practicality and efficiency of our framework’s output. The proposed methodology provides a structured approach to design evaluation, offering practical insights and a valuable tool for improving the success rate of 3D printed food products. This research contributes to the field by offering a systematic framework for assessing and enhancing the printability of 3D food designs, potentially accelerating the adoption and effectiveness of 3D food printing technology in various applications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».