Stock design in hybrid manufacturing using a constrained clustering approach
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
Hybrid Manufacturing (HM) is a key pillar of smart manufacturing, enabling the production of complex parts with high precision and superior surface quality while minimizing costs and enhancing sustainability. A key challenge in HM systems is selecting the appropriate stock geometry to initiate processing both additive and subtractive features while achieving these benefits. Poor stock design can lead to increased waste and energy consumption, whereas an optimized configuration improves operational efficiency and maximizes sustainability. This paper addresses finding stock designs in HM, a problem that has not been tackled before using hybridized machine learning optimization techniques. A constrained clustering machine learning approach to determine stock dimensions for prismatic end parts is proposed. Given the geometry of the features included in these end parts, a novel combinatorial optimization model is developed to assign these features to pre-defined clusters such that the Hausdorff distance between features within clusters is minimized. Multiple scenarios are explored by evaluating different numbers of clusters. The proposed optimization model is validated, and its computational efficiency is evaluated through a case study that includes two test parts extending an existing test part from the literature. The first test part includes 22 additive and subtractive features while the other one includes 27 features. Due to the intractability of this combinatorial optimization clustering problem, problem instances representing small and medium-sized scenarios can be solved to optimality within a short time, whereas for large instances, only feasible solutions are obtained within a limited computational time of two hours.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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