กระบวนการพิมพ์โลหะ 3 มิติแบบ Wire Arc Additive Manufacturing (WAAM) มีความซับซ้อนสูงเนื่องจากปัจจัยด้านความร้อนส่งผลกระทบต่อรูปทรงของเนื้อโลหะที่ฉีดออกมา งานวิจัยนี้จึงได้เสนอแนวทางการใช้ข้อมูลมาสร้างโมเดลขับเคลื่อน (Data-driven model) โดยใช้โครงข่ายประสาทเทียมแบบ Recurrent Neural Network (RNN) เพื่อทำนายและควบคุมค่าอินพุต เช่น ความเร็วของหัวเชื่อมและอัตราการป้อนลวดเชื่อม
จุดเด่นของงานนี้คือการใช้ระบบ 'Adaptation step' ที่จะอัปเดตโมเดลการเรียนรู้โดยใช้ความผิดพลาดจากการทำนายในชั้นก่อนหน้า (previous layer) เพื่อปรับตัวให้เข้ากับสภาวะความร้อนที่เปลี่ยนแปลงไปตลอดเวลาในระหว่างการพิมพ์ จากการทดสอบจริงบนแขนกลหุ่นยนต์ที่ติดตั้งเลเซอร์สแกนเนอร์ พบว่าวิธีนี้ช่วยให้ความสูงและความกว้างของเนื้อโลหะมีความสม่ำเสมอมากกว่าการใช้ค่าควบคุมแบบคงที่หรือโมเดลทั่วไปอย่างเห็นได้ชัด
