Dalam suatu disertasi yang berjudul "dalam pembelajaran berbasis stres prediksi untuk Bottom-Up Stereo-litografi (SLA) 3D proses pencetakan," sebuah universitas di Buffalo siswa bernama Aditya Pramod Khadlikar menjelaskan metode memprediksi distribusi tegangan bagian dalam SLA 3D mencetak menggunakan kerangka kerja dalam belajar. Kerangka terdiri dari database 3D model baru yang menangkap berbagai fitur geometris yang dapat ditemukan di bagian nyata 3D serta "FE simulasi pada 3D model hadir dalam database yang digunakan untuk membuat input dan sesuai label (output) untuk melatih th e DL jaringan."
Beberapa contoh diuji dengan CNN. Beberapa bagian dengan serupa lintas bagian pada lapisan tertentu akan diteliti untuk menentukan distribusi tegangan pada lapisan tertentu. Khadlikar dan koleganya menemukan bahwa berbagai bagian tertentu layer yang bagian salib yang sama telah distribusi stres berbeda dalam lapisan itu.
Satu kesimpulan penting adalah bahwa CNN jauh lebih cepat daripada FEA simulasi. Kumpulan data dibuat bekerja secara efektif, membantu menentukan parameter seperti puncak stres dan informasi tergantung pada lapisan sebelumnya untuk menentukan distribusi stres atas lapisan. Secara umum, model pembelajaran dalam melakukan lebih baik daripada model jaringan saraf yang sederhana yang digunakan untuk prediksi tekanan.
