Pioneering ML-driven framework for in-situ vertical surface roughness prediction in LPBF
Notice bibliographique
Résumé
Real-time prediction of vertical surface roughness in laser powder bed fusion (LPBF) is essential for process control and quality assurance, yet it remains largely unexplored due to view-blocking by loose powder in the machine bed. This study introduces the first integrated framework that combines in-situ photodiode monitoring with machine learning (ML) to predict sidewall roughness during fabrication. A high-speed photodiode sensor captures melt pool intensity signals near vertical surfaces, which are processed into time- and frequency-domain features. These features, together with process parameters, serve as inputs to ML models, while post-process surface roughness measurements (Sa), obtained via laser scanning confocal microscopy, are used as outputs during training. Once trained, the model can then be applied in real-time to predict roughness directly from photodiode signals acquired during printing, enabling side-specific monitoring without additional measurement steps. Among the five models evaluated, Random Forest (RF) and eXtreme Gradient Boosting (XGB) achieved the highest predictive accuracy, with RF improving from R2 = 0.35 (parameters only) to R2 = 0.78 when in-situ features were included. This framework demonstrates that photodiode-based monitoring, coupled with ML, enables reliable, side-specific, real-time prediction of vertical surface roughness in LPBF, offering a pathway towards adaptive quality control and reduced post-processing.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».