Resumen: La fabricación aditiva (AM) se basa fundamentalmente en la comprensión y extrapolación de las relaciones proceso-propiedad; sin embargo, los enfoques existentes basados en datos siguen estando limitados por representaciones de conocimiento fragmentadas y una extrapolación poco confiable en condiciones de escasez de datos. En este estudio, proponemos un marco centrado en ecuaciones guiado por ontologías que integra estrechamente modelos de lenguajes grandes (LLM) con un gráfico de conocimiento matemático de fabricación aditiva (AM-MKG) para permitir la extracción confiable de conocimientos y el modelado extrapolativo de principios. Al codificar explícitamente ecuaciones, variables, suposiciones y sus relaciones semánticas dentro de una ontología formal, la literatura no estructurada se transforma en representaciones interpretables por máquinas que respaldan consultas y razonamientos estructurados. La generación de ecuaciones basada en LLM está además condicionada a los subgrafos derivados de MKG, lo que impone formas funcionales físicamente significativas y mitiga las tendencias de extrapolación no físicas o inestables. Para evaluar la confiabilidad más allá de la incertidumbre predictiva convencional, se introduce una evaluación de extrapolación consciente de la confianza, que integra la distancia de extrapolación, la estabilidad estadística y la consistencia física basada en gráficos de conocimiento en una puntuación de confianza unificada. Los resultados demuestran que la extracción guiada por ontología mejora significativamente la coherencia estructural y la confiabilidad cuantitativa del conocimiento extraído, mientras que la generación de ecuaciones condicionadas por subgrafos produce extrapolaciones estables y físicamente consistentes en comparación con los resultados de LLM no guiados. En general, este trabajo establece un canal unificado para la representación del conocimiento basada en ontologías, el razonamiento centrado en ecuaciones y la evaluación de extrapolación basada en la confianza, destacando el potencial de los LLM aumentados con gráficos de conocimiento como herramientas confiables para el modelado extrapolativo en la fabricación aditiva.
Publicado originalmente en export.arxiv.org el 11 de enero de 2026.
Ver fuente original
