• صفحه اصلی
  • جستجوی پیشرفته
  • فهرست کتابخانه ها
  • درباره پایگاه
  • ارتباط با ما
  • تاریخچه

عنوان
Deep Learning Approach for Controlling Additive Manufacturing Process

پدید آورنده
Razavi Arab, Nariman

موضوع
Artificial intelligence,Computer science

رده

کتابخانه
مرکز و کتابخانه مطالعات اسلامی به زبان‌های اروپایی

محل استقرار
استان: قم ـ شهر: قم

مرکز و کتابخانه مطالعات اسلامی به زبان‌های اروپایی

تماس با کتابخانه : 32910706-025

شماره کتابشناسی ملی

شماره
TLpq2397555289

زبان اثر

زبان متن نوشتاري يا گفتاري و مانند آن
انگلیسی

عنوان و نام پديدآور

عنوان اصلي
Deep Learning Approach for Controlling Additive Manufacturing Process
نام عام مواد
[Thesis]
نام نخستين پديدآور
Razavi Arab, Nariman
نام ساير پديدآوران
Banadaki, Yaser

وضعیت نشر و پخش و غیره

نام ناشر، پخش کننده و غيره
Southern University and Agricultural and Mechanical College
تاریخ نشرو بخش و غیره
2019

مشخصات ظاهری

نام خاص و کميت اثر
106

یادداشتهای مربوط به پایان نامه ها

جزئيات پايان نامه و نوع درجه آن
M.S.
کسي که مدرک را اعطا کرده
Southern University and Agricultural and Mechanical College
امتياز متن
2019

یادداشتهای مربوط به خلاصه یا چکیده

متن يادداشت
Additive manufacturing (AM) is a crucial component of smart manufacturing systems that disrupts traditional supply chains. However, the parts built using the state-of-the-art powder-bed 3D printers have noticeable unpredictable mechanical properties. The attempts to improve the geometry and mechanical properties of final products in the 3D printing process were usually limited to the development of a typical control system using feedback from sensor measurement. However, a smarter control system is required to learn and adapt as the AM machine is operating. In this thesis, I propose a machine learning (ML) algorithm as a promising way of improving the underlying failure phenomena in 3D printing. I employ a Deep Convolutional Neural Network (DCNN) to automatically detect the defects in printing the layers, thereby turning 3D printers into essentially their own inspectors. We expect that the proposed DCNN model generates a precise feedback signal for a smart 3D printer to recognize any issues with the build itself to make proper adjustments and corrections without operator intervention. This can enhance the quality of the AM process, leading to manufacturing better parts with fewer quality hiccups, limiting waste of time and materials.

موضوع (اسم عام یاعبارت اسمی عام)

موضوع مستند نشده
Artificial intelligence
موضوع مستند نشده
Computer science

نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )

مستند نام اشخاص تاييد نشده
Banadaki, Yaser
مستند نام اشخاص تاييد نشده
Razavi Arab, Nariman

دسترسی و محل الکترونیکی

نام الکترونيکي
 مطالعه متن کتاب 

وضعیت انتشار

فرمت انتشار
p

اطلاعات رکورد کتابشناسی

نوع ماده
[Thesis]
کد کاربرگه
276903

اطلاعات دسترسی رکورد

سطح دسترسي
a
تكميل شده
Y

پیشنهاد / گزارش اشکال

اخطار! اطلاعات را با دقت وارد کنید
ارسال انصراف
این پایگاه با مشارکت موسسه علمی - فرهنگی دارالحدیث و مرکز تحقیقات کامپیوتری علوم اسلامی (نور) اداره می شود
مسئولیت صحت اطلاعات بر عهده کتابخانه ها و حقوق معنوی اطلاعات نیز متعلق به آنها است
برترین جستجوگر - پنجمین جشنواره رسانه های دیجیتال