Evaluation of machine learning models in predicting mechanical properties of additive-manufactured parts
Notice bibliographique
Résumé
Different machine learning (ML) models have been applied in predicting mechanical properties of additive-manufactured parts. However, the existing research primarily focuses on individual mechanical properties and overlooks interrelations among multiple properties and their combined responses to additive manufacturing (AM) process parameters. This research investigates ML models for predicting ultimate tensile strength (UTS), compressive strength (CS), and Young's modulus (YM) of fused filament fabricated parts. Gaussian process regression (GPR), support vector machines (SVMs), neural networks, and linear regression models are evaluated. GPR achieved the highest performance for UTS and CS with R 2 values of 0.95 and mean absolute errors (MAE) of 0.78 and 2.4 MPa, respectively. For YM, SVM performed best with an R 2 of 0.90 and an MAE of 23 MPa. Shapley Additive Explanations analysis reveals that printing temperature and infill density are the most influential parameters for UTS and CS, respectively, while YM is primarily affected by infill density and wall thickness. These findings highlight the critical role of AM process parameters, such as wall thickness, layer height, infill density, print speed, and print temperature, in determining the part performance, and demonstrate the potential of ML models to effectively predict mechanical properties of 3D-printed components.
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 | 0,001 | 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 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 ».