机构名称：
¥ 1.0
数据驱动的增材制造（AM）的研究在近年来取得了巨大的成功。这导致了许多科学文献的出现。这些作品中的知识包括AM和人工智能（AI）上下文，这些环境尚未以综合的方式开采和形式化。此外，没有任何工具或准则可以支持从一个上下文到另一种上下文的数据驱动知识转移。结果，仅针对特定的AM过程技术开发并验证了使用特定AI技术的数据驱动解决方案。有可能利用各种AM技术的固有相似性，并使用AI（例如转移学习）将现有解决方案从一个过程或问题调整到另一个过程。我们在AM中提出了一个三步知识转移性分析框架，以支持数据驱动的AM知识传输。作为可转让性分析的先决条件，AM知识被介绍为已识别的知识组成部分。该框架由转移，转移和转移后的步骤组成，以完成知识转移。在旗舰金属AM过程之间进行了案例研究。激光粉末床融合（LPBF）是知识的来源，它是由于其在定向能量沉积（DED）上应用AI时相对成熟度（DED）的来源，它可以将知识转移的需求作为较少探索的目标过程。我们在数据驱动的解决方案的不同级别上显示了成功的传输，包括数据表示，模型体系结构和模型参数。AM
数据驱动添加剂制造的可传输性分析
主要关键词
相关文件推荐
