Personalized ceramic artwork design innovation and process parameter optimization based on 3D printing technology
Notice bibliographique
Résumé
Ceramics have many applications, covering scienti ic research, medical, industrial, jewelry, etc. Ceramic materials are stable and have a silk-like touch.Ceramic 3D printing technology is based on laser curing molding as a rapid manufacturing technology.This paper proposes a personalized design strategy for ceramic artwork, determines the degree of in luence of ceramic process parameters on the quality of laser 3D printed ceramic artwork by calculating the Pearson's correlation coef icient, and adopts numerical simulation to obtain the ceramic 3D printing quality data, calculates the error of the number of printed layers, and controls the quality of the printed ceramic artwork.The ceramic quality parameter optimization model is established.Five algorithms of SVR support vector regression, BP neural network, RF random forest, RBF radial basis function, and Kriging model are used to set up the relevant parameters of 3D printing, input the six ceramic process parameters that have been processed by the uni ied magnitude, and complete the optimization of the quality ceramic process parameters of laser 3D printing.Through the investigation and analysis of the effect of ceramic artwork design, the ceramic color designed in this paper makes the user generate positive emotions; a total of 235 positive emotions were generated, accounting for nearly 60%.The mean value of user preference for ceramic samples is analyzed.The samples with the highest user preference are sample 4, sample 6, and sample 1, and the mean values of preference are 3. 425, 3.245, and 3.148, respectively.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».