Die Studie stellt einen umfassenden Rahmen für die Bewertung von Maschinenlernmodellen zur Vorhersage mechanischer Eigenschaften in der metallischen additiven Fertigung (MAM) vor. Es wurde ein umfangreicher Datensatz aus über 90 MAM-Artikeln und Datenblättern zusammengestellt, der Informationen zu Verarbeitungsbedingungen, Maschinen, Materialien und resultierenden mechanischen Eigenschaften wie Streckgrenze, Zugfestigkeit, Elastizitätsmodul, Bruchdehnung, Härte und Oberflächenrauheit enthält.
Der Rahmen umfasst physikbasierte Merkmalsextraktion, anpassbare Maschinenlernmodelle und maßgeschneiderte Bewertungsmetriken, um ein umfassendes Lernframework für die Vorhersage mechanischer Eigenschaften zu schaffen. Darüber hinaus wird die Methode "Explainable AI" (SHAP-Analyse) verwendet, um die vorhergesagten Werte der Maschinenlernmodelle für mechanische Eigenschaften zu erläutern und zu interpretieren. Darüber hinaus wurden datengetriebene explizite Modelle entwickelt, um mechanische Eigenschaften auf der Grundlage von Verarbeitungsparametern und Materialeigenschaften zu schätzen, was eine höhere Interpretierbarkeit im Vergleich zu herkömmlichen Maschinenlernmodellen bietet.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Parand Akbar... at arxiv.org 03-19-2024
https://arxiv.org/pdf/2209.12605.pdfDeeper Inquiries