Data-driven parameter optimization for bead geometry in wire arc additive manufacturing of 17-4 PH stainless steel
Notice bibliographique
Résumé
Due to its high strength, corrosion resistance, and toughness, 17-4 Precipitation Hardening (PH) stainless steel is widely used in aerospace, petrochemical, and marine industries. Additive manufacturing (AM) technologies enable the fabrication of complex and/or customized components while offering superior material efficiency and shorter lead times. Because of its high deposition rate, Wire Arc Additive Manufacturing (WAAM) can produce large metal structures. However, consistent bead profiles remain challenging because the process is highly sensitive to variations in thermal input and deposition conditions. Achieving uniform bead geometry during additive manufacturing is essential to avoid defects such as humming, spattering, and distortion, which can compromise the structural integrity of 3D components. To achieve a uniform bead profile in WAAM, in this study, a full-factorial design of experiments is implemented to optimize the process parameters such as Wire Feed Rate (WFR), Torch Travel Speed (TTS), and Gas Flow Rate (GFR) for 17-4PH stainless steel. A backpropagation neural network (BPNN) is trained to model a non-linear relationship between these process parameters and bead geometry. Moreover, a genetic algorithm (GA) optimizes for bead uniformity and deposition efficiency. With a Pearson Correlation Coefficient (PCC) of 0.85, the optimized parameters exhibited significantly improved uniformity and higher deposition efficiency.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».