W pracy zatytułowanej "Głębokie uczenie się oparte na stresie przewidującym proces druku 3D metodą dolnej warstwy stereolitografii (SLA)", studentka Uniwersytetu Buffalo, Aditya Pramod Khadlikar, opisuje metodę przewidywania rozkładu naprężeń części w druku SLA 3D przy użyciu głębokiej ramy uczenia się. Struktura składa się z nowej bazy danych modeli 3D, która przechwytuje różnorodne funkcje geometryczne, które można znaleźć w rzeczywistych częściach 3D, a także "Symulację FE w modelach 3D obecnych w bazie danych, która służy do tworzenia danych wejściowych i odpowiednich etykiet (wyników) trenować sieć DL. "
Wiele próbek zostało przetestowanych przy użyciu CNN. Kilka części o podobnych przekrojach na konkretnej warstwie badano w celu określenia rozkładu naprężeń na danej warstwie. Khadlikar i jego koledzy stwierdzili, że różne części konkretnej warstwy o tym samym przekroju mają różne rozkłady naprężeń w tej warstwie.
Jednym z ważnych wniosków jest to, że CNN jest znacznie szybszy niż symulacje MES. Utworzone zestawy danych działają skutecznie, pomagając określić parametry, takie jak naprężenie szczytowe i informacje zależne od poprzedniej warstwy, aby określić rozkład naprężeń na warstwie. Ogólnie rzecz biorąc, głębokie Model uczenia się działa lepiej niż prosty model sieci neuronowej używany do prognozowania ciśnienia.
