(Elsevier B.V., 2024) Alessio Centola; Alberto Ciampaglia; Davide Salvatore Paolino; Andrea Tridello.
Ứng dụng mô hình học máy xác suất (Probabilistic Machine Learning) trong việc ngăn ngừa và dự đoán hư hỏng mỏi của hợp kim thép không gỉ SS316L được sản xuất bằng công nghệ in 3D kim loại (Additive Manufacturing – SLM). Tác giả sử dụng mạng nơ-ron Bayes (BNN) để phân biệt sự bất định trong dữ liệu thực nghiệm và mô hình, qua đó nâng cao độ tin cậy của dự báo. Ngoài ra, mạng nơ-ron dựa trên ràng buộc vật lý (PINN) được áp dụng nhằm cải thiện độ chính xác trong mô phỏng đáp ứng chu kỳ của vật liệu. Kết quả chỉ ra rằng phương pháp này giúp tối ưu các thông số quy trình và kéo dài tuổi thọ của sản phẩm kim loại in 3D.