NSF未来制造数据挑战：用于激光轨迹中概率局部几何预测的多模态DED数据集
NSF Future Manufacturing Data Challenge: A Multimodal DED Dataset for Probabilistic Representation and Prediction of Laser-Track Geometry
AI总结：
该研究针对NSF未来制造数据挑战，引入多模态DED数据集预测激光轨迹局部几何变化，包含热图像序列、SEM图像和高度图三种模态，在不同激光功率下进行实验，发布相关代码及坐标约定。
AI中文摘要：
我们引入了一个多模态定向能量沉积（DED）数据集，用于预测在316L不锈钢基板上产生的单个激光轨迹的概率局部几何变化。该数据集支持NSF未来制造数据挑战，包含三种互补模态：来自Stratonics ThermaViz熔池传感器的原位热图像序列、使用蔡司EVO MA10系统获取的扫描电子显微镜（SEM）图像，以及使用布鲁克ContourGT-K白光3D光学轮廓仪获取的全场高度图。每个实验是在200、300、350和400W这四种激光功率之一进行的平板上的熔覆扫描，扫描速度固定为10mm/s。此次发布包括入门笔记本、面向参与者的代码，以及一个多模态坐标约定，可在20 - 100mm的公共物理窗口上关联热、SEM和高度图测量。
英文摘要：
We introduce a multimodal directed energy deposition (DED) dataset for predicting the probabilistic local geometric variation of single laser tracks produced on stainless-steel 316L substrates. The dataset supports the NSF Future Manufacturing Data Challenge and contains three complementary modalities: in-situ thermal image sequences from a Stratonics ThermaViz melt-pool sensor, scanning electron microscopy (SEM) images acquired using a Zeiss EVO MA10 system, and full-field height maps acquired using a Bruker ContourGT-K white-light 3D optical profilometer. Each experiment is a bead-on-plate scan at one of four laser powers, 200, 300, 350, and 400 W, with a fixed scan speed of 10 mm/s. The release includes a multimodal coordinate convention linking thermal, SEM, and height-map measurements over a common physical 20--100 mm window, with the raw dataset available on Zenodo and participant-facing notebooks, reusable code, and documentation available on GitHub.
