guest ::
ESAFORM Benchmark 2025: predicting stainless steel PBF-LB part density using statistical, data-driven, and physics-informed machine learning models derived from process parameters and in-situ monitoring data
; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ;
In
International journal of material forming 19(2), Seiten/Artikel-Nr.:31
2026
Online
DOI: 10.1007/s12289-026-01995-y
DOI: 10.18154/RWTH-2026-03952
URL: https://publications.rwth-aachen.de/record/1033087/files/1033087.pdf
Einrichtungen
- Lehrstuhl für Umformtechnologien und Institut für Bildsame Formgebung (523410)
- Fachgruppe Materialwissenschaft und Werkstofftechnik (520000)
Thematische Einordnung (Klassifikation)
DDC: 600
OpenAccess: 
PDF
Dokumenttyp
Journal Article
Format
online, print
Sprache
English
Anmerkung
Peer reviewed article
Externe Identnummern
WOS Core Collection: WOS:001722938100001
Interne Identnummern
RWTH-2026-03952
Datensatz-ID: 1033087
Beteiligte Länder
Belgium, Denmark, Finland, France, Germany, Ireland, Switzerland, UK
; 
; 
; Clarivate Analytics Master Journal List ; Current Contents - Engineering, Computing and Technology ; DEAL Springer ; Essential Science Indicators ; IF < 5 ; JCR ; SCOPUS ; Science Citation Index Expanded ; Web of Science Core Collection
PDF