Towards generalizable machine learning prediction of downskin surface roughness in laser powder bed fusion
Notice bibliographique
Résumé
Downskin surface quality of laser powder bed fusion (L-PBF) remains a challenge due to the complex, multi-scale physics governing it. While numerical or experimental approaches alone can be significantly resource intensive, data-driven approaches such as machine learning (ML) have the potential to be more practical. However, the generalizability of ML models currently reported in literature is unclear; few ML models can predict reliably outside of their training domain. This study addresses these challenges by (i) demonstrating a downskin surface roughness classification model, trained on the largest reported dataset for downskin roughness ( ∼ 400 downskin specimens spanning five builds and two ferrous alloys) and (ii) conducting a thorough investigation of the model’s generalizability. Additionally, this study highlights critical issues such as data imbalance, generalization to unseen data, and the importance of rigorous evaluation. By implementing robust ML practices, we focused on model performance across different training and evaluation domains. Our findings indicate satisfactory performance when using the more conservative balanced accuracy metric, achieving about 95% inter-domain and 83% intra-domain accuracy. Although there is still room for improvement, these results demonstrate a significant reduction in the risk of overfitting, thereby enhancing the classifier’s generalizability. This work underscores the importance of methodological rigor in machine learning applications, advocating for greater attention to data treatment and evaluation strategies. This approach may ultimately lead to more effective and usable ML models. The data-centric results indicated that (i) physics-informed features can improve performance during domain shifts, and (ii) increased the size and variety of datasets allows even computationally light models to achieve favorable 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 ».