في أطروحته المعنونة "تنبؤ الإجهاد القائم على التعلم العميق لعملية الطباعة ثلاثية الأبعاد باستخدام الطباعة الحجرية المجسمة (SLA) 3D ،" يصف طالب بجامعة بوفالو يدعى أديتيا برامود كادليكار طريقة للتنبؤ بتوزيع الضغط للأجزاء في طباعة SLA 3D باستخدام عمق إطار التعلم. يتكون الإطار من قاعدة بيانات نموذج ثلاثية الأبعاد جديدة تلتقط مجموعة متنوعة من الخصائص الهندسية التي يمكن العثور عليها في أجزاء ثلاثية الأبعاد حقيقية بالإضافة إلى "محاكاة FE على النماذج ثلاثية الأبعاد الموجودة في قاعدة البيانات التي يتم استخدامها لإنشاء المدخلات والتسميات المقابلة (النواتج) لتدريب شبكة DL ".
تم اختبار عينات متعددة باستخدام CNN. تم فحص الأجزاء المختلفة ذات المقاطع العرضية المماثلة على طبقة معينة لتحديد توزيع الضغط على طبقة معينة. وجد Khadlikar وزملاؤه أن أجزاء مختلفة من طبقة معينة لها نفس المقطع العرضي لها توزيعات جهد مختلفة في تلك الطبقة.
أحد الاستنتاجات المهمة هو أن CNN أسرع بكثير من محاكاة FEA. مجموعات البيانات التي تم إنشاؤها تعمل بشكل فعال ، مما يساعد على تحديد المعلمات مثل ذروة الإجهاد والمعلومات المعتمدة على الطبقة السابقة لتحديد توزيع الضغط على الطبقة. بشكل عام ، عميق نموذج التعلم ينفذ بشكل أفضل من نموذج الشبكة العصبية البسيط المستخدم في التنبؤ بالضغط.
