3D printing and additive manufacturing. 2024 Aug 20;11(4):1407-1417. doi: 10.1089/3dp.2023.0023 Q32.12025

Efficient Creation of Jettability Diagrams Using Active Machine Learning

基于主动机器学习的喷印工艺图高效生成方法翻译改进

Maryam Pardakhti^{1 2 3}, Shing-Yun Chang^{2 3}, Qian Yang¹, Anson W K Ma^{2 3}

作者单位 +展开

作者单位

¹ Computer Science and Engineering Department, University of Connecticut, Storrs, Connecticut, USA.

² Polymer Program, Institute of Materials Science, University of Connecticut, Storrs, Connecticut, USA.

³ Department of Chemical and Biomolecular Engineering, University of Connecticut, Storrs, Connecticut, USA.

DOI: 10.1089/3dp.2023.0023 PMID: 39360143

摘要中英对照阅读

The ability to jet a wide variety of materials consistently from print heads remains a key technical challenge for inkjet-based additive manufacturing processes. Drop watching is the most direct method for testing new inks and print head designs but such experiments are also resource consuming. In this work, a data-efficient machine learning technique called active learning is used to construct detailed jettability diagrams that identify complex regions co... ...点击完成人机验证后继续浏览

保持从喷头稳定喷出各种材料的能力仍然是基于 inkjet 的增材制造工艺中的关键技术挑战。滴液观测是测试新型墨水和喷头设计的最直接方法，但这类实验也很耗费资源。在这项工作中，一种称为主动学习的数据高效机器学习技术被用来构建详细的可喷性图（jettability diagrams），以识别“不喷出”、“正常喷出”和“期望喷出”的复杂区域，而不仅仅是单独采样的点。至关重要的是，我们的主动学习方法解决了模型选择方面的挑战，这些挑战之前限制了在实验预算非常有限的实际环境中主动学习的准确性。此外，“期望喷出”区可能很小，这为初始化主动学习带来了挑战。我们利用物理直觉，即“期望喷出”区通常存在于“正常喷出”和“不喷出”区之间，通过依次进行两个二元分类来改善这一高度不平衡分类问题的表现。第一个二元分类旨在绘制“正常喷出”区与“不喷出”区的地图，而第二个二元分类则侧重于仅用主要液滴识别“期望喷出”区。我们的实验使用频闪式滴液观察仪可视化两种不同喷射波形的压电喷头中两种流体的喷射行为。将从主动学习方法获得的结果与涉及每种流体进行超过200次试验的网格搜索方法进行了比较。主动学习方法显著减少了80%以上的实验数量，同时在测试流体“正常喷出”区预测中的测试准确率超过了95%。“构建这些可喷性图的能力将进一步加速新型墨水和喷头的发展。”

关键词：主动学习；自主3D打印；机器学习；材料喷射；预测建模。

翻译效果不满意？用Ai改进或寻求AI助手帮助，对摘要进行重点提炼

相关内容

期刊名：3d printing and additive manufacturing

缩写：3D PRINT ADDIT MANUF

ISSN：2329-7662

e-ISSN：2329-7670

IF/分区：2.1/Q3

文章目录更多期刊信息

全文链接

官方链接

PMC全文

引文链接

复制

已复制！

格式：

Efficient Creation of Jettability Diagrams Using Active Machine Learning

基于主动机器学习的喷印工艺图高效生成方法翻译改进

Feasibility of Active Machine Learning for Multiclass Compound Classification

多类化合物分类中主动机器学习的可行性研究

Comparison of the Meta-Active Machine Learning Model Applied to Biological Data-Driven Experiments with Other Models

元主动机器学习模型与其它模型在生物数据驱动实验中的比较

Efficient creation of sequencing libraries from blunt-ended restriction enzyme fragments

快速构建限制性内切酶平末端片段的测序文库

Active Machine learning for formulation of precision probiotics

主动机器学习在精密益生菌配方中的应用

Efficient creation of an APOE knockout rabbit

高效制备APOE敲除兔

An RNA ligase-mediated method for the efficient creation of large, synthetic RNAs

一种高效创建大型合成RNA的RNA连接酶介导方法

Active machine learning-driven experimentation to determine compound effects on protein patterns

主动进行机器学习驱动的实验以确定化合物对蛋白质模式的影响

Autonomous Construction of Phase Diagrams of Block Copolymers by Theory-Assisted Active Machine Learning

理论辅助主动机器学习的嵌段共聚物相图自主构建

Efficient Creation of Jettability Diagrams Using Active Machine Learning

基于主动机器学习的喷印工艺图高效生成方法 翻译改进

Feasibility of Active Machine Learning for Multiclass Compound Classification

多类化合物分类中主动机器学习的可行性研究

Comparison of the Meta-Active Machine Learning Model Applied to Biological Data-Driven Experiments with Other Models

元主动机器学习模型与其它模型在生物数据驱动实验中的比较

Efficient creation of sequencing libraries from blunt-ended restriction enzyme fragments

快速构建限制性内切酶平末端片段的测序文库

Active Machine learning for formulation of precision probiotics

主动机器学习在精密益生菌配方中的应用

Efficient creation of an APOE knockout rabbit

高效制备APOE敲除兔

An RNA ligase-mediated method for the efficient creation of large, synthetic RNAs

一种高效创建大型合成RNA的RNA连接酶介导方法

Active machine learning-driven experimentation to determine compound effects on protein patterns

主动进行机器学习驱动的实验以确定化合物对蛋白质模式的影响

Autonomous Construction of Phase Diagrams of Block Copolymers by Theory-Assisted Active Machine Learning

理论辅助主动机器学习的嵌段共聚物相图自主构建

基于主动机器学习的喷印工艺图高效生成方法翻译改进