Trong một luận án có tên "Dự đoán căng thẳng dựa trên học tập sâu cho quy trình in 3D in nổi âm thanh nổi (SLA)", một sinh viên Đại học Buffalo có tên Aditya Pramod Khadlikar mô tả phương pháp dự đoán phân phối ứng suất của các bộ phận trong in 3D SLA bằng cách sử dụng sâu khung học tập. Khung này bao gồm cơ sở dữ liệu mô hình 3D mới, nắm bắt nhiều tính năng hình học có thể tìm thấy trong các phần 3D thực cũng như "Mô phỏng FE trên các mô hình 3D có trong cơ sở dữ liệu được sử dụng để tạo đầu vào và nhãn tương ứng (đầu ra) để đào tạo mạng DL. "
Nhiều mẫu được kiểm tra bằng CNN. Các bộ phận có mặt cắt tương tự trên một lớp cụ thể được kiểm tra để xác định phân bố ứng suất trên một lớp cụ thể. Khadlikar và các đồng nghiệp đã phát hiện ra rằng các phần khác nhau của một lớp cụ thể có cùng tiết diện có sự phân bố ứng suất khác nhau trong lớp đó.
Một kết luận quan trọng là CNN nhanh hơn nhiều so với mô phỏng FEA. Các bộ dữ liệu được tạo ra hoạt động hiệu quả, giúp xác định các tham số như ứng suất cực đại và thông tin phụ thuộc vào lớp trước để xác định phân bố ứng suất trên lớp. Nói chung, độ sâu mô hình học tập thực hiện tốt hơn mô hình mạng thần kinh đơn giản được sử dụng để dự đoán áp lực.
