- MACHINE LEARNING FOR THE PREDICTION OF EDGE CRACKING IN SHEET METAL FORMING PROCESSES -
- MACHINE LEARNING FOR THE PREDICTION OF EDGE CRACKING IN SHEET METAL FORMING PROCESSES -
Machine Learning for the Prediction of Edge Cracking in Sheet Metal Forming Processes

Le chapitre "Machine Learning for the Prediction of Edge Cracking in Sheet Metal Forming Processes" est issu du projet SAFEFORMING, mené par Toolpresse entre 2017 et 2020.
- Le livre "Machine Learning and Artificial Intelligence with Industrial Applications" a été publié cette année et consiste en un recueil d'informations et d'études de cas qui offrent une vue d'ensemble sur l'apprentissage par ordinateur et l'intelligence artificielle et leurs applications industrielles.
- Le chapitre "Machine Learning for the Prediction of Edge Cracking in Sheet Metal Forming Processes" est issu du projet SAFEFORMING, mené par Toolpresse entre 2017 et 2020.
- L'objectif du projet était d'évaluer les performances de plusieurs algorithmes d'apprentissage informatique dans la prédiction des défauts dans le processus d'emboutissage du métal, à savoir l'apparition de fissures.
- Sept classificateurs uniques différents et deux types de modèles d'ensemble (vote majoritaire et empilement) ont été utilisés pour faire des prédictions, sur la base d'un ensemble de données généré à partir des résultats de deux types d'essais mécaniques : l'essai de traction uniaxiale et l'expansion du trou. L'évaluation des performances était basée sur quatre mesures : l'exactitude, le rappel, la précision et le score F, le score F étant considéré comme le plus pertinent. Les meilleures performances ont été réalisées par les modèles de vote à la majorité d'ensemble. La courbe ROC d'un modèle majoritaire a également été évaluée afin de confirmer les capacités prédictives du modèle. Dans l'ensemble, les algorithmes ML sont capables de prédire de manière satisfaisante l'apparition de fissures.
Accéder à l'article complet: https://www.researchgate.net/publication/357336230_Machine_Learning_for_the_Prediction_of_Edge_Cracking_in_Sheet_Metal_Forming_Processes https://link.springer.com/book/10.1007/978-3-030-91006-8
- 20/04/2022