Pioneering ML-driven framework for in-situ vertical surface roughness prediction in LPBF
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
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.
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