Increasing 3D Printing Accuracy Through Convolutional Neural Network-Based Compensation for Geometric Deviations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As Additive Manufacturing (AM) evolves from prototyping to full-scale production, improving geometric accuracy becomes increasingly critical, especially for applications requiring high dimensional fidelity. This study proposes a machine learning-based approach to enhance the geometric accuracy of 3D printed parts produced by Fused Filament Fabrication (FFF), a widely used material extrusion process in which thermoplastic filament is heated and deposited layer by layer to form a part. Our method relies on a Convolutional Neural Network (CNN) trained to predict a systematic deviation field based on 3D scan data of a sacrificial print. These scans are acquired using a structured light 3D scanner, which provides detailed surface information on geometric deviations that arise during the printing process. The predicted deviation field is then inverted and applied to the digital model to generate a compensated geometry, which, when printed, offsets the errors observed in the original part. Experimental validation using a complex reference geometry shows that the proposed compensation method achieves an 88.5% reduction in mean absolute geometric deviation compared to the uncompensated print. This significant improvement underscores the CNN’s ability to generalize across geometric features and capture systematic deformation patterns inherent to FFF. The results demonstrate the potential of combining 3D scanning and deep learning to enable adaptive, data-driven compensation strategies in AM. The method proposed in this paper contributes to reducing trial-and-error iterations, improving part quality, and facilitating the broader adoption of FFF for precision-demanding industrial 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.
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 | 0,001 |
| 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 découle