Prediction of Weld Geometry in Laser Overlap Welding of Low-Carbon Galvanized Steel
Notice bibliographique
Résumé
Accurate prediction of weld bead geometry is critical for optimizing laser overlap welding of low-carbon galvanized steel, as it directly affects joint quality and mechanical performance. Traditional finite element method (FEM)-based models provide reliable predictions but are computationally expensive and impractical for real-time applications. This study presents an artificial neural network (ANN)-based predictive model trained on a combination of experimental data and validated FEM simulations to estimate key weld characteristics, including depth of penetration (DOP), weld bead width at the surface (WS), and weld bead width at the interface (WI). The ANN model was evaluated using various improved statistical metrics. Results demonstrated a strong correlation between ANN predictions and experimental measurements, with R2 values exceeding 95% for WS and DOP and 92% for WI, and mean errors below 7%. A comparative analysis between ANN, FEM, and experimental data confirmed the model’s reliability across different welding conditions. Additionally, ANN significantly reduced computational time compared to FEM while maintaining high accuracy, making it a practical tool for real-time process optimization. These findings highlight the potential of ANN models as efficient alternatives to conventional simulation techniques in laser overlap welding applications. Future improvements may involve integrating real-time sensor data and deep learning techniques to further enhance predictive performance.
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 ».