Työssä, jonka otsikko on "Deep Learning Based Stress Prediction for Bottom-Up Stereo-litografia (SLA) 3D-tulostusprosessi", Buffalo-yliopiston opiskelija Aditya Pramod Khadlikar kuvailee menetelmää osien jännitysjakauman ennustamiseksi SLA-3D-tulostuksessa syvällä oppimisen kehys. Kehys koostuu uudesta 3D-mallitietokannasta, joka tallentaa erilaisia geometrisia ominaisuuksia, jotka löytyvät todellisista 3D-osista sekä "FE-simulaatiosta tietokannassa olevista 3D-malleista, joita käytetään tulojen ja vastaavien merkintöjen (ulostulojen) luomiseen. kouluttaa DL-verkkoa. "
Useita näytteitä testattiin käyttäen CNN: ää. Useita osia, joilla on samanlaiset poikkileikkaukset tietyllä kerroksella, tutkitaan stressin jakautumisen määrittämiseksi tietyllä kerroksella. Khadlikar ja hänen kollegansa totesivat, että tietyn kerroksen eri osilla, joilla oli sama poikkileikkaus, oli erilainen jännitysjakauma kyseisessä kerroksessa.
Yksi tärkeä johtopäätös on, että CNN on paljon nopeampi kuin FEA-simulaatiot. Tietokokonaisuudet, jotka on luotu tehokkaasti, auttavat määrittämään parametreja, kuten stressiä ja tietoa, joka riippuu edellisestä kerroksesta stressin jakautumisen määrittämiseksi kerrokseen. oppimismalli toimii paremmin kuin yksinkertainen hermoverkon malli, jota käytetään paineen ennustamiseen.
