Toward data-driven research: preliminary study to predict surface roughness in material extrusion using previously published data with Machine Learning

要約

材料の押し出しは、利用可能な積層造形プロセス内で最も一般的に使用されるアプローチの 1 つです。
その人気と関連技術の進歩にもかかわらず、プロセスの信頼性と品質保証はまだ部分的にしか解決されていません。
特に、このプロセスによって生じる表面粗さは重要な懸念事項です。
この制約を解決するために、近年、表面粗さを最適化するための実験計画が活用されてきました。
ただし、後者の経験的な試行錯誤のプロセスは、非常に時間とリソースを消費します。
したがって、この研究は、材料押出の表面粗さを最適化するために大規模な実験プログラムの使用を避けることを目的としています。
方法論。
この調査では、層の高さ、印刷温度、印刷速度、壁の厚さなど、いくつかの印刷パラメータの影響を詳細に分析しています。
提案されたデータ駆動型の予測モデリング アプローチでは、機械学習モデルを利用して、文献から収集したデータとテスト用に生成された実験データに基づいて表面粗さを自動的に予測します。
調査結果。
文献から収集したデータの 10 分割相互検証を使用して、提案された機械学習ソリューションは、平均絶対パーセント誤差 13 % で 0.93 の相関を達成しました。
独自のデータを使用してテストすると、相関関係は 0.79 に減少し、平均絶対パーセント誤差は 8 % に減少します。
したがって、押出ベースの印刷における表面粗さを予測するソリューションは、分析された要因の変動性に関して競争力のある結果を提供します。
独創。
利用可能な製造データは日々増加し続けるため、これらの大量のデータから学習する機能は、将来の製造と科学において非常に重要です。
具体的には、機械学習の力は、限られた実験テストで表面粗さをモデル化するのに役立ちます。

要約(オリジナル)

Material extrusion is one of the most commonly used approaches within the additive manufacturing processes available. Despite its popularity and related technical advancements, process reliability and quality assurance remain only partially solved. In particular, the surface roughness caused by this process is a key concern. To solve this constraint, experimental plans have been exploited to optimize surface roughness in recent years. However, the latter empirical trial and error process is extremely time- and resource-consuming. Thus, this study aims to avoid using large experimental programs to optimize surface roughness in material extrusion. Methodology. This research provides an in-depth analysis of the effect of several printing parameters: layer height, printing temperature, printing speed and wall thickness. The proposed data-driven predictive modeling approach takes advantage of Machine Learning models to automatically predict surface roughness based on the data gathered from the literature and the experimental data generated for testing. Findings. Using 10-fold cross-validation of data gathered from the literature, the proposed Machine Learning solution attains a 0.93 correlation with a mean absolute percentage error of 13 %. When testing with our own data, the correlation diminishes to 0.79 and the mean absolute percentage error reduces to 8 %. Thus, the solution for predicting surface roughness in extrusion-based printing offers competitive results regarding the variability of the analyzed factors. Originality. As available manufacturing data continue to increase on a daily basis, the ability to learn from these large volumes of data is critical in future manufacturing and science. Specifically, the power of Machine Learning helps model surface roughness with limited experimental tests.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google