III
活動+
 

紐約州立大學藉深度學習打造SLA 3D列印程序應力預測方法

在個別程序中組件變形和失效是自下而上的SLA 3D列印中常遇到的問題,於是紐約州立大學水牛城分校研究團隊利用卷積神經網路(CNN)開發1種深度學習架構來預測壓力。法新社

紐約州立大學水牛城分校研究團隊開發出1種使用深度學習架構預測光固化(SLA)成形3D列印組件中的應力分布的方法。該架構由擷取可在實際3D零件中找到的各種幾何特徵的3D模型資料庫所構成。

根據3DPrint.com報導,該團隊最近發表題為基於深度學習的自下而上SLA 3D列印程序的應力預測(Deep Learning Based Stress Prediction for Bottom-Up Stereo-lithography (SLA) 3D Printing Process)的論文。

該團隊指出,在個別程序中組件變形和失效是自下而上的SLA 3D列印中常遇到的問題。他們於是利用卷積神經網路(CNN)開發1種深度學習架構來預測壓力。

該架構可即時運算CAD模型任何層中引起的應力,以監控自下而上的SLA 3D列印程序。該團隊還使用以Autodesk Inventor API創建的數據集,以及ABAQUS python腳本對該數據集執行FE模擬來訓練深度學習架構。

該團隊用CNN對多個樣品進行實驗,結果發現在特定層具有相同橫截面的不同組件,在該層處具有不同的應力分布。因此開發了1種新架構,其中前一層的應力訊息也用於給定層的應力預測。

其重要結論是CNN比FEA模擬速度快得多。創建的數據集有效地工作,有助於確定參數,如峰值應力和對先前層訊息的依賴性,以確定層上的應力分布。總體而言,深度學習模型優於先前用於壓力預測的簡單神經網路模型。

研究人員表示,該架構還能進一步用於訓練不同高度的3D組件的更大數據集。後續研發工作將是對3D組件的每一層進行應力預測。結合更多參數,如切片高度和上拉速度,以更逼真地模仿3D列印過程,並更好地控制該程序。 

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 3D列印 深度學習 工業4.0