Jun, 2024

基于前期研究数据的数据驱动研究：使用机器学习预测材料挤压表面粗糙度的初步研究

PDF
TL;DR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。
发现论文，激发创造
  • 机械工具间信息共享以提高表面质量预测

    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

  • 利用激光和机器学习模型进行钢板表面粗糙度参数计算

    通过比较几种数据驱动的方法和闭式形式转化，我们评估了机器学习模型在提高钢带制造中表面质量控制的潜力，并利用最先进的机器学习模型改善了在线测量的表面粗糙度指标。

    Jul, 2023

  • 机器学习在金属增材制造中用于机械性能预测

    本文介绍了一种基于机器学习的综合框架，用于金属增材制造过程中机械性能的预测，并提出了利用 SHAP 分析对机器学习模型预测结果进行解释和解读的方法，同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。

    Aug, 2022

  • 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

  • 基于量子机器学习的增材制造试样表面粗糙度预测方法

    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

  • 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

  • 一种自动机器学习方法用于喷墨打印组件分析：迈向智能添加制造的一步

    本研究提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印的元件进行微波表征。通过使用多个机器学习算法并自动选择最佳算法来提取材料参数（墨水电导率和介电性能），并利用喷墨打印共面波导（CPW）材料参数与电磁仿真传播常数之间的相互依赖关系训练机器学习模型，然后利用这些机器学习模型和测得的传播常数提取测试样机的墨水电导率和介电性能，最后通过比较四种启发式机器学习模型，证明了 eXtreme Gradient Boosted Trees Regressor（XGB）和 Light Gradient Boosting（LGB）算法在研究中的表征问题中表现最佳。

    Apr, 2024

  • 使用数据驱动的实验设计和好校准的不确定性估计进行高维材料和工艺优化

    提出了一种利用数据驱动模型加速材料发现优化过程的方法，该方法可以指导科学家先测试最有前途的候选者，并结合不确定性分析为探索高不确定度的候选者和利用参数空间高性能区域提供建议。该方法在材料科学领域的四个测试案例表明，比随机猜测平均少三倍的实验次数就找到了最佳候选方案。

    Apr, 2017

  • 有限数据下基于机器学习增强的惯性约束聚变目标抛光表面光滑性预测

    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

  • 金属增材制造中覆盖层特性预测的混合机器学习框架

    研究使用机器学习技术结合多物理计算流体动力学模型和实验数据来预测金属添加制造过程中材料的特性和加工参数的影响，创造性地解决了数据稀缺的问题并提出了一个高效、准确和可扩展的预测和优化模型。

    Jul, 2023