Geometry-aware interpretable learning for predicting print time and filament consumption in fused deposition modeling
Deze studie presenteert een geometrie-bewust interpreteerbaar machine learning-framework dat nauwkeurig de printtijd en het filamentverbruik bij fused deposition modeling voorspelt door gebruik te maken van een dataset van 1.500 gesimuleerde instanties, waarbij een hoge voorspellende getrouwheid () wordt bereikt en wordt onthuld dat mesh-geometrie en specifieke procesinstellingen de primaire determinanten zijn van deze operationele uitkomsten.