该研究旨在避免使用大型实验计划来优化材料挤出中的表面粗糙度。通过使用机器学习模型,该研究提供了一种数据驱动的预测建模方法来自动预测基于文献和实验数据的表面粗糙度。研究结果表明,该方法在预测挤出式打印的表面粗糙度方面具有竞争力的结果。
Jun, 2024
使用合成数据和纹理合成模型,构建了数字孪生对象的微观表面拓扑模型,解决了视觉表面检测系统的训练数据不足和缺乏样本缺陷多样性的问题。
Mar, 2024
通过使用振动传感器收集的数据,使用机器学习模型可以实时预测高密度碳球壳体的表面粗糙度,以优化惯性约束聚变过程中的抛光处理。
Dec, 2023
当前,大多数表面质量预测方法只能进行单任务预测,导致数据集被低效利用、重复工作和实验成本增加。为了解决这个问题,作者提出了一种贝叶斯层次模型来预测车削加工过程中的表面粗糙度测量值。该层次模型与多个独立的贝叶斯线性回归模型进行对比,以展示部分汇集在加工环境中对预测精度和不确定性量化的好处。
Oct, 2023
采用傅里叶模式的方法从电子显微镜扫描的添加制造表面中推断和合成粗糙度场,使得合成的粗糙度场光滑并且与计算流体动力学中的网格生成器或其他数值模拟相兼容。与机器学习方法不同,傅里叶模式的方法只需要一次物理粗糙度扫描即可将均匀的合成粗糙度场外推到任意所需大小和范围。从文献中使用电子显微镜粗糙度图像生成了五种类型的合成粗糙度场,它们的频谱能量和双点相关谱的比较表明合成场与扫描的粗糙度结构和频谱能量非常接近。
本文针对金属学家对钢材织构的视觉分类存在主观性强的问题,提出了一种基于深度学习的钢材组织类型及其指针长度自动分类方法,达到了 96% 的准确率,从而提高了对钢材组织的客观性和可靠性。
Jun, 2023
本研究比较了三种量子算法,即 QNN,Q-Forest 和 VQC,首次用于预测添加制造的样本表面粗糙度。研究发现,Q-Forest 算法在预测精度上表现最好。
Apr, 2023
该论文介绍了一种基于强化学习(RL)和 Q-learning 的方法,用于优化金属添加制造过程中的激光功率和扫描速度组合,以获得更好的熔池深度,从而实现金属添加制造的过程优化。
Nov, 2022
固态材料的表面性质对其功能起着重要作用,表面性质是由材料合成或操作条件决定的,计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。
采用机器学习混合卷积和视觉变换器模型,利用反射高能电子衍射视频作为输入,确定基片的氧化状态作为输出,实现了可控架构下的自动化基片脱氧,扩展了脱氧工艺在其他基片上的成功应用,对多种设备和基片材料的脱氧温度进行了标准化,推动了半导体制备中的标准化研究进程,对于光电子和微电子行业的半导体制造具有重大意义。