Design and Evaluation of Custom Intermixers for extrusion of blended PLA Using Machine Learning
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
The following data supports the manuscript titled "Design and Evaluation of Custom Intermixers for extrusion of blended PLA Using Machine Learning" submitted to "Virtual and Physical Prototyping", which details the following abstract: "Uniform blending in multi-material extrusion is crucial for ensuring consistent material properties in additive manufacturing. This study evaluates the performance of five static mixer designs, Split Path, Helix Array, Full Turn Helix, Half Moon, and Cross Bars, integrated into a coaxial extrusion system for enhancing the blending of multi-colored PLA (polylactic acid) pellets. Each mixer was tested using a 50/50 mixture of red and blue PLA under controlled extrusion conditions at 210°C. Mixing performance was assessed through microscopic imaging and machine learning-based analysis, including histogram evaluation, clustering algorithms, and standard color uniformity indices. Results showed that the Split Path and Full Turn Helix mixers provided the most uniform color distribution, with minimal segregation. In contrast, the Helix Array, Half Moon, and Cross Bars designs produced moderate to inconsistent mixing, showing visible streaking and uneven blending. All mixer configurations, however, significantly outperformed the control (no mixer) setup. These findings offer quantitative insights into the effectiveness of various mixer geometries, providing a basis for optimizing mixing strategies in multi-material 3D printing. The study contributes to the development of more reliable extrusion systems for applications such as functionally graded materials, flexible electronics, and advanced polymer composites."
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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