msamDB: Towards addressing data-scarcity challenges in L-PBF additive manufacturing
Notice bibliographique
Résumé
Data science techniques, particularly machine learning (ML), have proven to be valuable tools in PBF-LM research. While ML can rapidly model the large process parameter space of PBF-LM, their efficacy is dependent on large, informative and diverse training datasets. However, scarcity in the development and availability of such datasets is an on-going challenge. This work outlines the on-going progress to address this challenge through the development of a database platform, tentatively named msamDB (multi-scale additive manufacturing database). This platform, specifically created to manage PBF-LM academic research data, is a modular, extensible and scalable database that can promote data-sharing among researchers. The initial architecture of msamDB focuses on surface roughness data generated throughout the PBF-LM lifecycle. This work highlights the findings and challenges encountered in the design, implementation and pilot data population stages of msamDB. In its current stage, msamDB data spans data from approximately 30 builds, multiple research and industry studies, 3 different powder materials and a broad range of process parameters. Data has been collected from various stages such as powder characterization, build planning, process parameter selection, surface characterization, etc. In reference to surface roughness measurements, the database currently has more than 1000 data points across various surface orientations. This work represents first known effort to curate research PBF-LM data at scale for PBF-LM. The potential impact of such a database is to promote federated data for PBF-LM researchers, which allows for data-driven model development to have increased usability.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».