Adaptive Spatiotemporal Thermal Model for Real-Time Temperature Prediction in Directed Energy Deposition
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
Directed Energy Deposition (DED) is an advanced metal additive manufacturing process involving complex thermal dynamics that significantly impact the quality and structural integrity of fabricated components. Effective thermal management in DED requires accurate and real-time temperature predictions throughout the workpiece. However, traditional simulation methods often lack the computational efficiency necessary for real-time control applications. In this study, we introduce a novel physics-based, data-driven, and control-oriented spatiotemporal thermal model featuring adaptive meshing to enhance real-time temperature prediction accuracy and control performance. The proposed model dynamically refines the computational mesh in regions with steep thermal gradients and progressively coarsens it in areas experiencing relatively stable thermal conditions as additional deposition layers are built, substantially reducing computational requirements. Model validation against high-fidelity finite difference (FD) simulations shows mean absolute percentage errors ranging from 5.56% to 8.30% across multiple deposition layers of the entire component, and from 3.77% to 6.25% in regions near the melt pool characterized by steep thermal gradients. Remarkably, the model completed temperature predictions for five deposition layers in just 33.7 seconds, significantly faster than the 545.9 seconds required by FD simulations and well within the total printing time of 101.4 seconds, demonstrating suitability for real-time control applications. The developed framework offers a robust, scalable, and computationally efficient solution for thermal management in DED, potentially enhancing closed-loop control capabilities and promoting broader industrial adoption.
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