Key points are not available for this paper at this time.
بينما سهلت التصنيع الإضافي (AM) إنتاج الهياكل المعقدة، إلا أنها أبرزت التحدي الهائل الكامن في تحديد الهيكل الأمثل للتصنيع الإضافي لتطبيق معين. تعتبر الطرق العددية أدوات مهمة للتحسين، ولكن التجربة تظل المعيار الذهبي لدراسة الخصائص الميكانيكية غير الخطية، ولكن الحرجة، مثل المتانة. لمعالجة اتساع مساحة تصميم التصنيع الإضافي والحاجة إلى التجربة، قمنا بتطوير باحث تجريبي مستقل بايزي (BEAR) يجمع بين التحسين بايزي والتجارب الآلية عالية الإنتاجية. بالإضافة إلى إجراء التجارب بسرعة، يستفيد BEAR من التجريب المتكرر من خلال اختيار التجارب بناءً على جميع النتائج المتاحة. باستخدام BEAR، نستكشف متانة عائلة بارامترية من الهياكل ونلاحظ انخفاضاً بنسبة تقارب 60 ضعفاً في عدد التجارب اللازمة لتحديد الهياكل ذات الأداء العالي بالنسبة للبحث القائم على الشبكة. تظهر هذه النتائج قيمة التعلم الآلي في المجالات التجريبية حيث تكون البيانات نادرة.
درس غونغورا وآخرون (Fri،) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: