Detecting the extent of co-existing anomalies in additively manufactured metal matrix composites through explainable selection and fusion of multi-camera deep learning features
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
Process development for customised additively manufactured materials is challenging and labour-intensive. Advanced in-situ monitoring coupled with modern machine learning (ML) methods can expedite defect detection and qualification of additive manufacturing (AM) parts. Directed energy deposition (DED) processes offer flexibility to deposit material on existing complex parts for hybrid manufacturing and repairs. DED enables custom metal matrix composites (MMCs) like nickel tungsten carbide (Ni-WC) overlays on ferrous mining tools for enhanced wear resistance. However, co-existing anomalies specific to defects in the matrix, reinforcement and their interaction present development challenges. The challenge is compounded since the co-existing anomalies can exist in varying extents (e.g. absent, low, high). This study investigates dual mid-wave infrared (MWIR) cameras (FLIR and CLAMIR) for defect extent detection in Ni-WC MMCs. Deep learning features extracted with a fine-tuned vision transformer outperformed conventional methods by improving anomaly separability and revealing process-regime-aware feature distributions. Explainable artificial intelligence identified key MWIR features detecting six defect categories. Data ablation revealed FLIR’s superior accuracy and generalisability under noise, while CLAMIR demonstrated robustness under instability. Explainable fusion enabled effective selection of camera features. Our work provides a foundation for ML-assisted development of AM-based Ni-WC and similar MMCs by facilitating in-situ detection of co-existing anomalies.
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 | 0,000 |
| 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 découle