Predicting stress–strain relationships of additively manufactured materials under compression and tension using transfer learning and Wasserstein distance-based dataset pruning
Notice bibliographique
Résumé
Additive manufacturing allows one to design materials and structures with tunable mechanical properties. However, predicting the stress–strain relationships of additively manufactured materials remains a challenge due to complex process-structure–property relationships in additive manufacturing. While machine learning has been used to predict stress–strain relationships, it usually requires large volumes of training data, which is time consuming and expensive. To address this issue, a generic transfer learning (TL) framework that integrates distance-based dataset pruning (DP) is developed. Four distance metrics, including Euclidean, Cosine, Mahalanobis, and Wasserstein distances, are used to prune redundant data in the source domain by determining the distance between the source domain and the training dataset in the target domain. Only the most representative stress–strain curves in the source domain are retained to pre-train a long short-term memory model. We demonstrate the TL framework on two datasets, including fused filament fabrication (FFF) fabricated polylactic acid (PLA) compressive dataset and laser powder bed fusion (L-PBF) fabricated AlSi10Mg tensile dataset. Experimental results show that TL integrated with Wasserstein distance-based DP achieves the best predictive performance and computational efficiency, with the average mean absolute percentage error of 15.18 % for Case 1 and 19.51 % for Case 2.
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 | 0,000 |
| 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 ».