清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Accurate Estimation of Tensile Strength of 3D Printed Parts Using Machine Learning Algorithms

阿达布思 随机森林 机器学习 人工智能 梯度升压 线性回归 算法 超参数 回归 平均绝对百分比误差 回归分析 计算机科学 均方误差 Boosting(机器学习) 支持向量机 极限抗拉强度 数学 人工神经网络 统计 材料科学 冶金
作者
M. Jayasudha,Muniyandy Elangovan,Miroslav Mahdal,Jayaraju Priyadarshini
出处
期刊:Processes [Multidisciplinary Digital Publishing Institute]
卷期号:10 (6): 1158-1158 被引量:54
标识
DOI:10.3390/pr10061158
摘要

Manufacturing processes need optimization. Three-dimensional (3D) printing is not an exception. Consequently, 3D printing process parameters must be accurately calibrated to fabricate objects with desired properties irrespective of their field of application. One of the desired properties of a 3D printed object is its tensile strength. Without predictive models, optimizing the 3D printing process for achieving the desired tensile strength can be a tedious and expensive exercise. This study compares the effectiveness of the following five predictive models (i.e., machine learning algorithms) used to estimate the tensile strength of 3D printed objects: (1) linear regression, (2) random forest regression, (3) AdaBoost regression, (4) gradient boosting regression, and (5) XGBoost regression. First, all the machine learning models are tuned for optimal hyperparameters, which control the learning process of the algorithms. Then, the results from each machine learning model are compared using several statistical metrics such as 𝑅2, mean squared error (MSE), mean absolute error (MAE), maximum error, and median error. The XGBoost regression model is the most effective among the tested algorithms. It is observed that the five tested algorithms can be ranked as XG boost > gradient boost > AdaBoost > random forest > linear regression.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
atra2107完成签到 ,获得积分10
2秒前
单薄的飞风完成签到,获得积分10
29秒前
自由的小熊猫完成签到,获得积分10
32秒前
无悔完成签到 ,获得积分0
35秒前
CHEN完成签到,获得积分10
37秒前
一颗星完成签到,获得积分10
41秒前
41秒前
一颗星发布了新的文献求助10
45秒前
MassTestA1的应助被MassTestA1采纳,获得10
58秒前
饱满飞扬完成签到,获得积分10
1分钟前
1分钟前
Lanyiyang发布了新的文献求助20
1分钟前
高贵的鸿涛完成签到,获得积分10
1分钟前
bkagyin的应助被洁净代云采纳,获得10
1分钟前
小马甲的应助被amiee采纳,获得10
1分钟前
1分钟前
ghost完成签到 ,获得积分10
1分钟前
1分钟前
amiee发布了新的文献求助10
1分钟前
淡然的易槐完成签到,获得积分10
1分钟前
MassTestA1发布了新的文献求助10
1分钟前
陶醉的傲霜完成签到,获得积分10
1分钟前
du完成签到 ,获得积分10
2分钟前
隐形曼青的应助被amiee采纳,获得30
2分钟前
包容大地完成签到,获得积分10
2分钟前
1437594843完成签到 ,获得积分10
2分钟前
MassTestA1的应助被MassTestA1采纳,获得50
2分钟前
虚拟的白云完成签到,获得积分10
2分钟前
2分钟前
SciGPT的应助被科研通管家采纳,获得10
2分钟前
研友_VZG7GZ的应助被科研通管家采纳,获得10
2分钟前
2分钟前
2分钟前
ranan完成签到,获得积分10
2分钟前
苗条的巧凡完成签到,获得积分10
2分钟前
勤劳傀斗完成签到,获得积分10
2分钟前
美满的幻竹完成签到,获得积分10
3分钟前
缓慢的映天完成签到,获得积分10
3分钟前
仁爱凡松完成签到,获得积分10
3分钟前
文静的丹彤完成签到,获得积分10
3分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
八旗制度の研究 600
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8185453
求助须知:如何正确求助?哪些是违规求助? 9574168
关于积分的说明 21834496
捐赠科研通 7783045
什么是DOI,文献DOI怎么找? 3434570
关于科研通互助平台的介绍 2558912
邀请新用户注册赠送积分活动 2481326