Low-Cost Melt Pool Temperature Prediction Using Visible Light Camera and Machine Learning in Laser Hot-Wire Directed Energy Deposition
Notice bibliographique
Résumé
Abstract Laser wire directed energy deposition (DED-LB/w) offers notable efficiency in metal additive manufacturing (AM), allowing rapid component fabrication with high material utilization. Despite its advantages, challenges such as anisotropy and uneven mechanical properties arise from unregulated heat application, highlighting the need for precise temperature control during deposition. This study evaluates the use of visible light images to predict melt pool temperature, leveraging Convolutional Neural Networks (CNN), Gaussian Process Regression (GPR), and Artificial Neural Networks (ANN). While CNN is trained directly on images, GPR and ANN utilize extracted features such as melt pool dimensions. The CNN model notably excels, achieving an R-squared value of 0.981, root mean square error of 44.46, and mean absolute percentage error of 2.74%, demonstrating the superior capability of visible light imaging in accurately predicting the melt pool temperature. This success illustrates the considerable potential of integrating predictive models with visible light imaging as a cost-effective alternative to traditional sensory systems. Such integration not only offers a pragmatic solution to the high costs and complexities associated with thermal imaging but also opens new avenues for combining other measurement techniques such as pyrometers to further enhance the prediction accuracy for AM process control. Future efforts will concentrate on implementing these models in real-time metal printing, aiming to enhance microstructure control and advance process automation.
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 | 0,000 | 0,001 |
| 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 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 ».