Ultrasonic thickness monitoring of material extrusion parts: machine learning analysis, and erosion testing
Notice bibliographique
Résumé
Material extrusion is a cost-effective additive manufacturing method, yet parts can serve in corrosive or abrasive environments where hidden flaws can be critical. Ultrasonic non-destructive testing (NDT) offers in-situ quality evaluation, but layer-wise anisotropy and varied process parameters in additive manufacturing can complicate interpretation. We assess the capability of A-scan ultrasound to measure material extrusion part thickness across different infill patterns and infill densities, nominal part thicknesses, nozzle diameter, presence/absence of top or bottom skins and orientation of the measurements. A Random Forest model links process parameters to ultrasound and caliper data, enabling data-driven thickness prediction. Concentric infill produced time-of-flight readings that agreed best with caliper measurements and were insensitive to transducer orientation. Overall, A-scan reliably quantified thickness within the 2.5–10 mm range of the chosen contact probe. The machine-learning model achieved high R 2 and small errors for thickness and time-of-flight, demonstrating its potential for automated process monitoring. Finally, real-time ultrasound tracking of specimens subjected to simulated slurry erosion captured progressive wall loss, underscoring the feasibility of continuous integrity surveillance in service. These results establish practical guidelines for ultrasonic NDT of material extrusion parts.
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 ».