Data-driven non-intrusive reduced order modelling of selective laser melting additive manufacturing process using proper orthogonal decomposition and convolutional autoencoder
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
This study proposes and compares two data-driven, non-intrusive reduced-order models (ROMs) for additive manufacturing (AM) processes: a combined proper orthogonal decomposition-artificial neural network (POD-ANN) and a convolutional autoencoder-multilayer perceptron (CAE-MLP). The POD-ANN model utilizes proper orthogonal decomposition to create a reduced-order model, which is then combined with an artificial neural network to establish a surrogate model linking the snapshot matrix to the input parameters. This approach effectively reduces the dimensionality of the high-fidelity snapshot matrix and constructs a regression framework for accurate predictions. Conversely, the CAE-MLP model employs a 1D convolutional autoencoder to reduce the spatial dimension of a high-fidelity snapshot matrix derived from numerical simulations. The compressed latent space is then projected onto the input variables using a multilayer perceptron (MLP) regression model. This method leverages deep learning techniques to handle the complexity of the data and improve prediction accuracy. The accuracy and efficiency of both models are evaluated through thermo-mechanical analysis of an AM-built part. The comparison of statistical moments from high-fidelity simulation results with ROM predictions reveals a strong correlation. Furthermore, the predictions are validated against experimental results at various locations. While both models demonstrate good agreement with experimental data, the CAE-MLP model outperforms the POD-ANN model in terms of prediction accuracy and performance. The findings highlight the potential of integrating reduced-order modeling techniques with machine learning algorithms to enhance the analysis of complex AM processes. The proposed models offer a robust framework for future research and applications in the field of additive manufacturing, providing high precision and 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.
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 | 0,001 |
| 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 découle