.png){kind=icon}
返回
Cross-printer reproducibility modeling using a Deep Auto-Encoded Multi-Domain Gaussian Process
.png){kind=icon}
OA
AI
DOI：10.1016/j.cie.2026.112306.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度自编码器-高斯过程模型的跨打印机可复制性研究。
预测不同打印机间3D打印件的尺寸偏差。
在预测实际零件尺寸偏差方面优于基准机器学习模型。
实现增材制造过程的数据驱动优化。
为跨多个打印机单元减少废品和返工提供预测性见解。
Keyword:
Additive manufacturing
Machine-to-machine reproducibility
Autoencoder
Gaussian Process
Multi-domain learning
期刊
C
IF:
6.5
论文数:
597
被引数:
0
机构
引用论文
Toward in-situ flaw detection in laser powder bed fusion additive manufacturing through layerwise imagery and machine learning通过分层图像和机器学习实现激光粉末床融合增材制造中的原位缺陷检测
OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Robust optimization of 3D printing process parameters considering process stability and production efficiency考虑工艺稳定性和生产效率的3D打印工艺参数稳健优化.png)
ADDITIVE MANUFACTURING
ADDITIVE MANUFACTURINGIF11.1
PREAI
分享收藏
查看更多内容