Model-based optimization of process parameters in high energy impact additive manufacturing processes
Notice bibliographique
Résumé
Cold gas spraying is an emerging technology in additive manufacturing, known for its versatility and broad range of applications. This process enables the deposition of various materials, such as metals, ceramics and polymers, onto substrates by accelerating particles to high velocities within a Laval nozzle. To achieve optimal manufacturing quality at low cost, continuous and precise adjustment of process parameters is essential. However, due to the complex behavior of the gas dynamics, assessing quality during manufacturing is challenging. To address this issue, two data-driven modeling approaches are described and compared that connect process parameters to particle descriptors within the spray jet: a fast and easy-to-implement radial basis function network (RBFN) method and a low-parametric copula-based method in order to probabilistically model the high-dimensional dependencies among particle descriptors. These two modeling approaches are illustrated through an example of data-based optimization of process parameters for a cold gas spray in free jet, but are directly applicable to non-free jet data, if available. Additionally, both methods have low computational cost, making them suitable for applications even in autonomous process control. • Two data-driven modeling approaches for characterizing cold gas spraying. • Modeling of dependencies between particle descriptors using particle tracking velocimetry. • Fast and easy-to-implement radial basis function network approach. • Low-parametric copula-based approach using R-Vine copulas. • Model-based optimization of process parameters in free jet setting.
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 | 0,001 | 0,001 |
| 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 ».