I en avhandling med tittelen "Deep Learning Based Stress Prediction for Bottom-Up Stereolithography (SLA) 3D Printing Process", beskriver en University at Buffalo-student ved navn Aditya Pramod Khadlikar en metode for å forutsi spenningsfordeling av deler i SLA 3D-utskrift ved hjelp av en dyp læringsramme. Rammen består av en ny 3D-modelldatabase som fanger opp en rekke geometriske funksjoner som finnes i ekte 3D-deler, samt "FE-simulering på 3D-modellene som er tilstede i databasen som brukes til å lage innspill og tilhørende etiketter (utdata) å trene DL-nettverket. "
Flere prøver ble testet ved bruk av CNN. Alle deler med lignende tverrsnitt på et bestemt lag undersøkes for å bestemme spenningsfordelingen på et bestemt lag. Khadlikar og hans kolleger fant at ulike deler av et bestemt lag som hadde samme tverrsnitt hadde forskjellige spenningsfordeler i det laget.
En viktig konklusjon er at CNN er mye raskere enn FEA-simuleringer. Datasettene opprettet arbeid effektivt, og bidrar til å bestemme parametere som toppspenning og informasjon avhengig av forrige lag for å bestemme fordelingen av stress over laget. Generelt er dypet læringsmodell utfører bedre enn den enkle nevrale nettverksmodellen som brukes til trykkpredisering.
