ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Fused deposition modeling (FDM) parts show condition-dependent variability in ultimate tensile strength (UTS), yet most machine learning (ML) studies report only deterministic point estimates, limiting use in safety-critical design. This work presents a probabilistic framework mapping FDM-PETG process parameters to orientation-specific conditional quantile estimates with pooled uncertainty, covering model selection, deployment, and process optimization. A controlled experiment varied 12 parameters across 111 printing conditions from a combined Taguchi and Latin Hypercube Sampling (LHS) design, yielding 333 ASTM D3039 tensile measurements. Six probabilistic models were trained on raw replicate data and ranked on point accuracy and calibration, weighted 75% toward uncertainty quantification (UQ). The mixture density network (MDN) showed the lowest composite rank. Orientation-specific (MDN-OR) and unified (MDN-UF) variants were compared; MDN-OR gave more conservative lower-quantile estimates for safety-critical design. Lower-quantile (q = 0.05) SHAP analysis identified filament consumption and wall loops as the strongest predictive associations with worst-case strength. For each orientation, the configuration with minimum filament consumption at maximum strength was selected, with its post hoc q = 0.05 lower bound confirmed by physical tensile testing. Within the studied single-material, single-printer setting, the framework shows how probabilistic process–property modeling can support uncertainty-aware parameter selection toward autonomous additive manufacturing.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Additive Manufacturing and 3D Printing Technologies · Probabilistic and Robust Engineering Design · Additive Manufacturing Materials and Processes
บทบาทของนักวิจัยและสถาบันไทย
Mana Saedan · Watcharapong Tachajapong · Chiang Mai University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง