Apprentissage automatique

Apprentissage automatique

Ali Bagheri et Christian Cremona explorent les complexités de la fabrication numérique, partageant leurs conclusions dans le récent

En se concentrant sur les matériaux imprimés en 3D pour la construction, Bagheri et Cremona évaluent le potentiel de l'apprentissage automatique. Expérimentant avec des échantillons de géopolymères et différentes compositions, les auteurs ont évalué des variables cibles dans l'apprentissage automatique. Ils ont commencé par examiner la résistance à la compression des liants géopolymères et les éléments impliqués, notamment:

Caractéristiques des matières premières Composition chimique des ressources d'aluminosilicate Formulation de l'activateur alcalin Ions alcalins dans l'activateur Fraction des composés silicate à hydroxyde dans l'activateur Rapport eau / liant Formulation d'agrégats

Lors de l'impression 3D, les facteurs croissent pour inclure:

Méthode d'impression Résolution des couches Forme des impressions Taux d'extrusion Orientation Préparation et formulation des matériaux

« Compte tenu d’un nombre innombrable de variables indépendantes, la prédiction de la résistance à la compression d’échantillons de géopolymères imprimés sans l’utilisation d’une machine générera un niveau d’erreur élevé », ont déclaré les chercheurs. «Par exemple, on peut prédire la force des échantillons qui sont classés en quatre catégories avec une erreur de 75%. Cependant, l’utilisation de l’apprentissage automatique réduirait considérablement cette erreur, comme on peut le voir plus loin dans ce travail. »

Les données actuelles offrent des avantages aux chercheurs car ils sont en mesure d'en savoir plus grâce à l'impression de variables et à la modification de paramètres:

«Parmi les paramètres efficaces mentionnés, la teneur en cendres volantes, la teneur en laitier de haut fourneau granulé broyé (GGBFS), ainsi que le rapport des ions bore, ions silicium et ions sodium dans la solution alcaline ont les plus importants impact sur la résistance à la compression », ont déclaré les chercheurs.

Une petite imprimante 3D a été utilisée pour fabriquer des échantillons pour l'étude, consistant en une extrudeuse à piston. Les chercheurs ont utilisé des vibrations pour s'assurer que le mélange était compacté, avec des dimensions d'échantillon résultantes de 250x30x30.

Résumé statistique des données d'entrée

Classes de données cibles

Le laitier a été trouvé dans le mélange de géopolymères et présentait également une meilleure résistance à la compression; à l'inverse, les échantillons contenant plus de sodium ont montré une résistance à la compression réduite.

Organigramme DT de la fonction ctree

Augmentation du bore, augmentation des ions sodium, tout en diminuant la résistance à la compression

Matrice de confusion de la fonction ctree basée sur des valeurs réelles

Matrice de confusion de la fonction ctree basée sur les valeurs prédites

En fin de compte, Bagheri et Crémone ont découvert que la véritable valeur de prédiction était de 63%.

Matrice de confusion de la fonction rpart basée sur des observations

Matrice de confusion de la fonction rpart basée sur les prédictions

«Les prévisions pourraient être comparées de deux manières efficaces. Premièrement, la simplicité du modèle pourrait être évaluée sur la base des règles de prédiction et comprenant le nombre de paramètres. En conséquence, la fonction rpart est beaucoup plus simple avec seulement deux paramètres pour 50% des prédictions et trois paramètres pour une autre moitié », ont conclu les chercheurs.

«Alors que la fonction ctree a utilisé quatre facteurs pour 74% des prédictions et deux facteurs pour seulement 26% des prédictions. Deuxièmement, la précision cumulative de chaque fonction de prédiction a été utilisée comme critère de comparaison. Le facteur de précision cumulatif a été obtenu en multipliant le nombre de prédictions dans chaque catégorie et la valeur prédictive positive appropriée.

L'acquisition d'une précision cumulative de 70% pour la fonction rpart par rapport à 63% pour celle de la fonction ctree a mis en évidence des performances similaires mais légèrement meilleures pour la fonction rpart pour prédire la résistance à la compression des échantillons de géopolymère à base de bore imprimés en 3D. De plus, l'importance du pourcentage de scories et du rapport des ions bore peut être observée dans les arbres de décision créés par les fonctions ctree et rpart, respectivement.

L'impression 3D dans la construction continue de susciter un intérêt croissant, avec la possibilité de construire des maisons, des bureaux et même des villages entiers avec une variété d'imprimantes et de matériaux différents. Que pensez-vous de cette nouvelle? Faites-nous part de vos pensées! Rejoignez la discussion sur ce sujet et d'autres sujets sur l'impression 3D sur 3DPrintBoard.com.

Comparaison des résultats: du test en laboratoire à la sortie de la machine

[Source / Images:

Le Post Machine Learning