V diplomovej práci s názvom Predpovedanie stresu na základe hlbokého vzdelávania pre 3D proces tlače na stereolitografiu (SLA) "študentka univerzity v Buffale nazvanej Aditya Pramod Khadlikar opisuje metódu predpovedania rozloženia stresu v SLA 3D tlači pomocou hlbokej vzdelávacieho rámca. Rámec pozostáva z novej databázy 3D modelov, ktorá zachytáva rôzne geometrické vlastnosti, ktoré sa nachádzajú v reálnych 3D častiach, ako aj simulácia FE na 3D modeloch v databáze, ktorá sa používa na vytváranie vstupov a zodpovedajúcich štítkov (výstupov) trénovať sieť DL. "
Viaceré vzorky boli testované s využitím CNN. Na stanovenie rozloženia napätia na konkrétnej vrstve sa skúmali viaceré časti s podobným prierezom na konkrétnej vrstve. Khadlikar a jeho kolegovia zistili, že rôzne časti konkrétnej vrstvy, ktoré mali rovnaký prierez, mali rozdielne rozloženia stresu v tejto vrstve.
Jedným z dôležitých záverov je, že CNN je oveľa rýchlejší ako FEA simulácie. Dátové súbory vytvorené pracovať efektívne, pomáha určovať parametre, ako je špičkový stres a informácie závislé na predchádzajúcej vrstve určiť rozloženie stresu nad vrstvou. learningový model vystupuje lepšie ako model jednoduchej neurónovej siete, ktorý sa používa na predpovedanie tlaku.
