Într-o teză intitulată "Deep Learning bazat stres predicţie pentru Bottom-Up Stereo-litografie (SLA) 3D de imprimare proces," o universitate la Buffalo student numit Aditya George Khadlikar descrie o metodă de estimarea stresului de distribuţie de piese în SLA 3D Imprimarea utilizând un cadru de învăţare profundă. Cadrul constă dintr-un nou 3D model de baze de date care surprinde o varietate de caracteristici geometrice, care pot fi găsite în 3D piese precum "FE simulare pe 3D modele prezente în baza de date care este folosit pentru a crea intrări şi etichetele corespunzătoare (ieşiri)-tren th Reteaua e DL."
Mai multe probe au fost testate folosind CNN. Mai multe părţi cu secţiuni similar cu un strat special sunt examinate pentru a determina distribuția de stres pe un strat special. Khadlikar si colegii sai au constatat că diferite piese de un anumit strat care au avut aceeaşi secţiune transversală stres diferite distribuţii în stratul respectiv.
O concluzie importantă este că CNN este mult mai rapid decât FEA simulări. Seturile de date creat lucru eficient, ajutând pentru a determina parametrii, cum ar fi vârf stres şi informaţii depinde de stratul anterior pentru a determina distribuția de stres peste stratul. În general, modelul de învăţare profundă performanţe mai bune decât modelul de reţele neuronale simple folosite pentru Predicţia de presiune.
