机器学习辅助模式识别算法用于估算熔融沉积成型聚乳酸试样的极限抗拉强度
机器学习
2023-07-17 v1 人工智能
最优化与控制
摘要
在本研究中，我们探讨了监督机器学习算法在估算采用熔融沉积建模（FDM）工艺制备的聚乳酸（PLA）试样极限抗拉强度（UTS）中的应用。共制备31个PLA试样，以填充百分比、层高、打印速度和挤出温度作为输入参数。主要目标是评估四种不同监督分类算法——逻辑分类、梯度提升分类、决策树和K近邻——在预测试样UTS方面的准确性与有效性。结果显示，尽管决策树与K近邻算法均取得0.71的F1分数，但KNN算法表现出更高的曲线下面积（AUC）分数0.79，优于其他算法。这表明KNN算法在该数据集中区分两类极限抗拉强度的能力更优，使其成为本研究背景下分类的最有利选择。本研究首次尝试使用基于机器学习的分类算法估算PLA试样UTS，其发现为这些技术在增材制造领域改进预测模型性能与准确性方面的潜力提供了宝贵见解。
引用
@article{arxiv.2307.06970,
title = {Machine Learning-Assisted Pattern Recognition Algorithms for Estimating Ultimate Tensile Strength in Fused Deposition Modeled Polylactic Acid Specimens},
author = {Akshansh Mishra and Vijaykumar S Jatti},
journal= {arXiv preprint arXiv:2307.06970},
year = {2023}
}