En una tesi titulada "profund aprenentatge basat en l'estrès predicció de Bottom-Up (SLA) estèreo-litografia 3D procediment d'impressió," una universitat a estudiant Buffalo anomenat Aditya sajan Khadlikar descriu un mètode de predicció de l'estrès distribució de peces en SLA 3D impressió utilitzant un marc d'aprenentatge profund. El marc consta d'una nova base de 3D model que capta una varietat de característiques geomètriques que es poden trobar en real 3D de peces com "simulació de FE en el 3D models presents en la base de dades que s'utilitza per crear entrades i corresponents Etiquetes (sortides) formar th xarxa e DL."
Múltiples mostres es van provar utilitzant CNN. Diverses parts, amb seccions transversals similars a una determinada capa són examinats per determinar la distribució de l'estrès en una determinada capa. Khadlikar i els seus col·legues trobar que diferents parts d'un particular que capa la mateixa secció creu havia tingut distribucions estressants en que la capa.
Una conclusió important és que CNN és molt més ràpid que les simulacions FEA. Els conjunts de dades creat obra eficaçment, ajudant a determinar paràmetres com la tensió de pic i depèn de la capa anterior per determinar la distribució de l'estrès sobre la capa d'informació. En general, el model d'aprenentatge profundes funciona millor que el model de xarxa neuronal simple utilitzada per a la predicció de pressió.
