Głębokie uczenie używane do prognozowania stresu w strukturach drukowanych 3D SLA

W pracy magisterskiej zatytułowanej "Głębokie uczenie się oparte na stresie przewidującym proces druku 3D metodą dolnej warstwy stereo-litografii", studentka Uniwersytetu Buffalo Aditya Pramod Khadlikar opisuje metodę przewidywania rozkładu naprężeń w częściach drukowanych 3D SLA przy użyciu ramy Deep Learning. Struktura składa się z nowej bazy danych modeli 3D, która przechwytuje różnorodne funkcje geometryczne, które można znaleźć w rzeczywistych częściach 3D, a także "Symulację FE w modelach 3D obecnych w bazie danych, która służy do tworzenia danych wejściowych i odpowiednich etykiet (wyników) trenować sieć DL. "

Jak wskazuje Khadlikar, częściowe deformacje i awarie podczas procesu separacji są częstymi problemami w oddolnym drukowaniu 3D SLA.

" Modele strefy kohezyjnej zostały z powodzeniem wykorzystane do modelowania procesu separacji w oddolnym procesie drukowania SLA ", mówi Khadlikar. "Symulacja procesu elementów skończonych (FE) jest jednak kosztowna pod względem obliczeniowym i dlatego nie może być wykorzystywana do monitorowania procesu drukowania SLA przez Internet."

Dlatego Khadlikar stworzył alternatywną metodę przewidywania stresu . Splotowa sieć neuronowa (CNN) została wykorzystana do opracowania ram głębokiego uczenia się, które mogłyby obliczyć stres wywołany w dowolnej warstwie modelu CAD w czasie rzeczywistym, aby pomóc w monitorowaniu online oddolnego procesu drukowania SLA 3D. Aby wyszkolić sieć, utworzono zbiór danych za pomocą interfejsu API programu Autodesk Inventor, a do wykonania FE użyto skryptu pythonowego ABAQUSsymulacje wygenerowanego zbioru danych.

Eksperymenty przeprowadzono na wielu próbkach za pomocą CNN. Zbadano kilka części o podobnych przekrojach w konkretnej warstwie, aby zobaczyć rozkład naprężeń na tej warstwie dla danej części. Khadlikar i współpracownicy odkryli, że różne części o tym samym przekroju w danej warstwie mają różny rozkład naprężeń w tej warstwie CD3D .

"To pokazuje, że dla niejednolitych części 3D, wraz z danymi warstwami, potrzebujemy informacji z poprzednich warstw," mówi Khadlikar. "To zmotywowało nas do opracowania nowej architektury, w której informacje o naprężeniach z poprzedniej warstwy są również wykorzystywane do prognozowania naprężeń dla danej warstwy."

Istotnym wnioskiem było to, że CNN jest drastycznie szybsza od symulacji FEA. Utworzony zbiór danych działał skutecznie, pomagając określić parametry, takie jak naprężenie szczytowe i zależność od informacji z poprzedniej warstwy, w celu określenia rozkładu naprężeń na warstwie. Model głębokiego uczenia się, ogólnie rzecz biorąc, przewyższył prosty model sieci neuronowej uprzednio wykorzystywany do prognozowania naprężeń.

"Ta struktura może być dalej wykorzystywana do szkolenia większych zbiorów danych z części 3D o różnych wysokościach," Khadlikar mówi. "Ta struktura nie może być używana do przewidywania stresu na wszystkich warstwach w części 3D. Wynika to z faktu, że poprzednia warstwa naprężała informacje, aby przewidzieć obecny stres warstwy. Zastosowanie przewidywania z poprzedniej warstwy do przewidywania aktualnego naprężenia warstwy indukuje więcej błędów z powodu mieszania. Przyszłe prace będą przewidywaniem naprężeń na każdej warstwie części 3D ... Dobrym kierunkiem dla przyszłych badań może być uwzględnienie większej liczby parametrów, takich jak wysokość plastra i prędkość wciągania, aby realistycznie naśladować proces drukowania 3D i uzyskać lepszą kontrolę nad proces. "