.png){kind=icon}
返回
Data-Driven 3D-Printed Material Data Prediction From Benchmark Specimens
.png){kind=icon}
OA
AI
DOI：10.1115/1.4069993.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测3D打印产品的力学行为需要准确的材料数据。然而，这具有挑战性，因为打印过程会显著影响3D打印部件的力学行为。因此，如果基准测试试样的打印过程与用户的打印过程不同，则数据表中的丝材材料数据可能无法准确代表用户产品的行为。为解决这些问题，我们提出了一种基于数据驱动的方法，用于从基准试样测试结果预测3D打印部件的力学行为。首先，我们生成一个包含10,000个数据点的数据集，每个数据点包括丝材材料数据、基准测试数据、3D打印工艺参数以及相应的有效材料数据。该数据集包含先前研究中常被忽视的特征，如层间结合完善度和基准测试数据。接下来，我们使用不同的输入特征训练多样化的单层和堆叠机器学习模型。统计分析表明，多层感知器（MLP）在特征提取和下游任务方面均优于其他模型。最后，将预测结果与实验数据进行验证。统计分析证实，纳入层间结合完善度、基准试样数据和堆叠模型能够提高预测精度。最佳性能模型利用MLP进行特征提取、多项式模型进行下游预测，在预测杨氏模量时平均误差为0.06 GPa（4%），在预测抗拉屈服强度时平均误差为1.3 MPa（5%），显著优于先前方法。
Keyword:
artificial intelligence
computational foundations for additive manufacturing
data-driven engineering
期刊
IF:
3.3
论文数:
113
被引数:
2.2K
机构
引用论文
Accurate Estimation of Tensile Strength of 3D Printed Parts Using Machine Learning Algorithms.png)
ProcessesOAAI
ProcessesIF0
OAAI分享收藏Ali, D.; Huayier, A.F.; Enzi, A. Parametric Prediction of FDM Process to Improve Tensile Properties Using Taguchi Method and Artificial Neural Network. Adv. Sci. Technol. Res. J. 2023, 17, 130–138. [Google Scholar] [CrossRef]Ali, D.; Huayier, A.F.; Enzi, A. 利用田口方法和人工神经网络对FDM工艺进行参数化预测以提高拉伸性能。Adv. Sci. Technol. Res. J. 2023, 17, 130–138. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
Investigation of the effect of FDM process parameters on mechanical properties of 3D printed PA12 samples using Taguchi method使用Taguchi方法研究FDM工艺参数对3D打印PA12样品力学性能的影响
PREAI
分享收藏
查看更多内容