May, 2023

基于迁移学习的增材制造模型比较：以一个案例为例

PDF
TL;DR本研究采用开源数据集，结合五种迁移学习方法、决策树回归和人工神经网络构建出六个基于迁移学习的模型，并将其与基线模型进行比较；结果表明，在具有一定相关性的源 CNC 加工数据域中，适当的目标 - 源训练数据大小比例和数据预处理能够提高建模性能。
transfer learningadditive manufacturingdata insufficiencydecision tree regressionartificial neural network
发现论文，激发创造
  • 选择子集用于源数据传递学习在金属增材制造中的应用

    考虑到金属添加制造（AM）中数据不足的情况，本文提出了一种系统的方法，基于源数据和目标数据之间的相似性，为给定的受限目标领域数据找到适当的源数据子集。这种相似性是由空间和模型距离度量来表征的，并采用帕累托前沿的源数据选择方法进行集成，该方法经过迭代选择具有两个相似性距离度量所定义的帕累托前沿上的源数据。该方法在决策树回归模型和精调人工神经网络等多个领域测试中得到了验证，结果表明：1）源数据选择方法具有通用性，能够与不同的迁移学习方法和距离度量进行集成；2）与使用所有源数据相比，该方法可以在涉及不同过程和设备的金属 AM 回归任务中找到来自同一领域的较小源数据子集，具有更好的迁移学习性能；3）当存在多个源领域时，源数据选择方法能够找到来自一个源领域的子集，以获得与使用所有源领域数据构建的模型相当或更好的迁移学习性能。

    Jan, 2024

  • 通过深度学习推进增材制造：现有进展与未来挑战的综述

    综述了近期对应用深度学习改进增材制造过程的研究，总结了其贡献和局限性，并指出了该领域中当前的挑战和前景，包括广泛几何类型的深度学习模型泛化、管理增材制造数据和模型的不确定性、利用生成模型克服有限和噪声的增材制造数据问题，以及揭示深度学习在增材制造中的潜力。

    Mar, 2024

  • 利用迁移学习方法对 3D 打印圆柱体对象进行缺陷分析

    通过使用迁移学习模型，本研究探索了机器学习方法在 3D 打印圆柱体缺陷检测方面的有效性，发现特定的迁移学习模型（如 MobileNetV2）可以高准确度地分类 AM 缺陷，同时结果揭示了算法性能的差异，为 3D 打印可靠自动化缺陷分析提供模型优化和集成需求的见解。

    Oct, 2023

  • 基于数据驱动的增材制造知识的可转移性分析：粉末床熔化和定向能量沉积之间的案例研究

    通过三步骤的知识可转移性分析框架，提出了一种支持数据驱动式增材制造知识转移的方法，该方法能够在不同的增材制造技术之间进行知识转移，包括数据表示、模型架构和模型参数等方面，为实现高效的跨环境或跨过程知识交流奠定了基础。

    Sep, 2023

  • 3D 打印时间序列数据分类方法评估

    本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

    Oct, 2020

  • 关于 Transformer 中主动学习数据集可迁移性的研究

    本文研究主题为探究主动学习中数据集可迁移性的影响因素，结果表明，使用相似的问询顺序能够获得高度可迁移的数据集，掌握掌握合适的主动学习方法比选择合适的模型更加重要。

    May, 2023

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • 知识引导的附加建模用于监督回归

    本研究对比了传统机器学习方法和基于混合建模的方法在标准回归问题中的性能，并重点研究了混合模型的不同训练方法，结果显示混合建模方法应用于回归问题具有较高的性能表现。

    Jul, 2023

  • 使用不完备的机械知识进行制造过程加速且低成本的机器学习

    本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

    Apr, 2023

  • 加速反应流高保真模拟的概率传递学习方法

    利用贝叶斯神经网络和自编码器来降低状态空间的维度，将知识从源域传递到目标域，该新颖的概率迁移学习框架在低维度和稀疏数据情境下能够正确预测热化学状态，并且比现有的确定性迁移学习策略所需的数据量少四倍。

    May, 2024