"दीप लर्निंग बेस्ड स्ट्रेस प्रेडिक्शन फॉर बॉटम-अप स्टीरियो-लिथोग्राफी (एसएलए) 3 डी प्रिंटिंग प्रोसेस" शीर्षक में, आदित्य प्रमोद खडलीकर नामक बफ़ेलो छात्र के एक विश्वविद्यालय ने एसएलए 3 डी प्रिंटिंग में भागों के तनाव वितरण की भविष्यवाणी करने की एक विधि का वर्णन किया है जिसमें गहरी सीखने की रूपरेखा। फ्रेमवर्क में एक नया 3D मॉडल डेटाबेस शामिल होता है जो विभिन्न प्रकार की ज्यामितीय विशेषताओं को कैप्चर करता है जो वास्तविक 3D भागों में पाया जा सकता है और साथ ही "FE सिमुलेशन डेटाबेस में मौजूद 3D मॉडल पर इनपुट और संबंधित लेबल (आउटपुट) बनाने के लिए उपयोग किया जाता है। डीएल नेटवर्क को प्रशिक्षित करने के लिए। "
एक विशेष परत पर समान क्रॉस सेक्शन वाले CNN.Several भागों का उपयोग करके कई नमूनों का परीक्षण किया गया था ताकि किसी विशेष परत पर तनाव वितरण का निर्धारण किया जा सके। खडलीकर और उनके सहयोगियों ने पाया कि एक विशेष परत के विभिन्न भागों में एक ही क्रॉस सेक्शन था, उस परत में अलग-अलग तनाव वितरण थे।
एक महत्वपूर्ण निष्कर्ष यह है कि सीएनएन एफईए सिमुलेशन की तुलना में बहुत तेज है। डेटा सेट ने प्रभावी ढंग से काम किया, जिससे शिखर पर तनाव के वितरण को निर्धारित करने के लिए पिछली परत पर निर्भर शिखर तनाव और जानकारी जैसे मापदंडों को निर्धारित करने में मदद मिलती है। सामान्य तौर पर, गहरा सीखने का मॉडल दबाव की भविष्यवाणी के लिए उपयोग किए जाने वाले सरल तंत्रिका नेटवर्क मॉडल की तुलना में बेहतर प्रदर्शन करता है।
