В диссертации, озаглавленной «Основанное на глубоком обучении прогнозирование напряжений для процесса 3D-печати со стереофонией снизу вверх», студент из университета Буффало по имени Адитья Прамод Хадликар описывает метод прогнозирования распределения напряжений деталей в 3D-печати SLA с использованием глубокого рамки обучения. Каркас состоит из новой базы данных 3D-моделей, которая содержит множество геометрических элементов, которые можно найти в реальных 3D-деталях, а также "моделирование FE на 3D-моделях, присутствующих в базе данных, которые используются для создания входных данных и соответствующих меток (выходных данных). обучить сеть DL. "
Несколько образцов были испытаны с использованием CNN. Несколько частей с аналогичными поперечными сечениями на конкретном слое исследуются для определения распределения напряжений на конкретном слое. Хадликар и его коллеги обнаружили, что разные части определенного слоя, имеющие одинаковое поперечное сечение, имеют разные распределения напряжений в этом слое.
Одним из важных выводов является то, что CNN намного быстрее, чем моделирование FEA. Созданные наборы данных работают эффективно, помогая определять такие параметры, как пиковое напряжение и информация, зависящая от предыдущего уровня, для определения распределения напряжения по слою. В общем, глубокий Модель обучения работает лучше, чем простая модель нейронной сети, используемая для прогнозирования давления.
