– Disertacija pavadinimu "giliai mokymosi Based streso prognozė atskiro Stereo litografija (SLA) 3D spausdinimo procesas," Buffalo mokinę vardu Mikas Pramod Khadlikar universitete aprašomas būdas prognozuoti įtempių pasiskirstymas dalių SLA 3D Spausdinimas naudojant gilaus mokymosi sistemą. Sistemą sudaro naują 3D modelio duomenų bazės, kuri fiksuoja įvairių geometrinių funkcijų, kurias galima rasti nekilnojamojo 3D dalys, taip pat "FE dėl 3D modeliai esančių duomenų bazę, kurioje yra naudojamas sukurti duomenys ir atitinkamas etiketes (padariniai) mokyti th e DL tinklo."
Kelis mėginiai buvo tiriami naudojant CNN. Kelių dalių su panašių skerspjūvių ypač sluoksnyje yra tikrinama siekiant nustatyti įtempių pasiskirstymas ypač sluoksnyje. Khadlikar ir jo kolegos nustatė, kad skirtinguose tam tikro sluoksnio, paties skerspjūvio turėjo skirtingus stresą paskirstymo to sluoksnio.
Viena svarbi išvada, kad CNN yra daug greitesnis nei FEA modeliavimas. Duomenų rinkinius, sukurta dirbti efektyviai, padėti nustatyti parametrus, tokius kaip didžiausias stresas ir informaciją priklauso ankstesnį sluoksnį nustatyti streso paskirstymo virš sluoksnio. Apskritai, gilaus mokymosi modelis atlieka geriau nei paprastas neuroninis tinklas modelis naudojamas slėgio prognozė.
