Defects analysis in LPBF printing based on up-skin and down-skin angles using machine learning
Notice bibliographique
Résumé
In laser powder bed fusion (LPBF) additive manufacturing, geometric features of parts have a significant impact on their printability and quality. Special attention in the literature has been given to the characteristic feature of distinction between up-skin and down-skin surface properties, where up-skin and down-skin surfaces have different orientation angles with respect to the build plate during part fabrication. We focus on slice-level, surface-connected defect analysis relative to up- and down-skin orientation using a YOLO→U-Net pipeline, followed by clustering and statistical morphology. We use a dataset acquired by X-ray CT scanning of LPBF-manufactured Ti–6Al–4V (Ti64) parts and 3D lattice structures with segmented regions of the top and bottom skins. This design allows slice-level analysis of defect geometry with respect to surface-normal direction. Lattice architectures with strut-based and surface-based features with a cell size of 2 mm and strut/wall thickness between 0.25-0.55 mm were utilized in this study. Machine learning and deep learning techniques such as YOLO and U-Net have significantly contributed to the precision and effectiveness of defect and pore detection and classification in 3D-printed components. Outcomes are expected to enhance the defect formation mechanism knowledge and allow optimization of print and design parameters toward improved quality and reliability of key application 3D printed 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| 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 | 0,000 | 0,001 |
| 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 ».