CN114492173A - 一种基于增材制造的异形管道成形基准优化方法 - Google Patents

一种基于增材制造的异形管道成形基准优化方法 Download PDF

Info

Publication number
CN114492173A
CN114492173A CN202210016379.XA CN202210016379A CN114492173A CN 114492173 A CN114492173 A CN 114492173A CN 202210016379 A CN202210016379 A CN 202210016379A CN 114492173 A CN114492173 A CN 114492173A
Authority
CN
China
Prior art keywords
forming
model
supported
area
special
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210016379.XA
Other languages
English (en)
Inventor
汪飞雪
刘鹏举
张天翊
李子聪
姚静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202210016379.XA priority Critical patent/CN114492173A/zh
Publication of CN114492173A publication Critical patent/CN114492173A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/10—Additive manufacturing, e.g. 3D printing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明涉及一种基于增材制造的异形管道成形基准优化方法，通过优化成形基准减少异形管道内外壁无支撑区域挂渣及翘曲变形等缺陷从而提高成形质量。通过给定异形管道的STL模型文件，对该文件进行读取并提取各三角面片的顶点及法向量信息，再以一定角度梯度对初始成形基准的法向矢量进行依次绕X(或Y轴)、Z轴的两次旋转，得到不同成形基准下该模型的待支撑区域面积。利用两次旋转角度及对应的面积建立数据集，构建神经网络模型用于预测，把训练后的预测结果作为个体适应度值，通过遗传算法的选择、交叉及变异操作寻找全域内异形管道待支撑区域面积最小的成形基准及对应的旋转角度。

Description

一种基于增材制造的异形管道成形基准优化方法
技术领域
本发明属于增材制造成形质量优化技术领域，具体涉及一种基于增材制造的异形管道成形基准优化方法。
背景技术
增材制造技术(AM)是沿一定方向逐层成形制造零件的技术，也被称作3D打印。工业上专门用于金属粉末成形的激光选区熔化(SLM)技术应用广泛，通过高能量的激光按照预定的扫描路径扫描已铺好的金属粉末使其熔化再冷却凝固，可获得较小体积、成分均匀、缺陷较少、较高致密度的复杂零件，零件每打印好的一层都是下一待打印层的基准面。
目前各种航空液压元件的减重主要是利用各种异形管道的集成来替代原来的阀块来实现，由于异型管道结构复杂，传统工艺成形质量较差，目前大多采用SLM增材制造技术成形，但由于管路内壁添加支撑会无法去除，因此打印时只对其外壁添加支撑。SLM工艺会使成形件无支撑的悬垂区域产生翘曲变形及挂渣等缺陷，导致异形管道内外壁粗糙度及圆度误差增大，影响成形质量及后续使用。
虽然通过优化SLM工艺参数如激光功率、扫描速度等可以提高零件成形精度，但无支撑的悬垂区域的挂渣及翘曲变形缺陷仍会发生。在优化SLM工艺参数的基础上，可通过确定打印前异形管道模型相对于基板的位姿即成形基准，使悬垂区域面积尽可能地减少，有效提升管道内外壁无支撑区域的成形质量。张小川等人通过以1°为梯度旋转成形基准的法向矢量，以所添加支撑体积最小为目标优化成形基准，建立了模型成形基准的优化模型，但三角面片过多时计算缓慢且不适用于管道模型。本发明基于SLM工艺特点，利用神经网络预测结合遗传算法在全域内对异形管道模型待支撑面积进行极小值寻优，可有效提高计算速度。
发明内容
针对上述问题，本发明的目的在于提供一种基于增材制造的异形管道成形基准优化方法，通过确定好打印前模型相对于基板的位置和姿态，能够降低异形管道成形后内外壁悬垂部分的挂渣及翘曲变形等缺陷，有效提高成形质量。
本发明采用的技术方案如下：
本发明所提出的一种基于增材制造的异形管道成形基准优化方法，具体包括以下步骤：
S1、确定待打印异形管道的结构及尺寸，绘制其三维模型；
S2、获取步骤S1三维模型中各三角面片及法向量信息，并在三维空间中对模型初始成形基准法向矢量，即Z轴正向，进行依次绕X轴和Z轴或Y轴和Z轴的旋转，基于不同的旋转角度得到一组新的成形基准法向矢量；
S3、根据步骤S2得到的三角面片信息和新的成形基准法向矢量，计算出各成形基准下模型的待支撑区域面积；
S4、根据步骤S3得到的模型待支撑区域面积，以成形基准法向矢量两次转动角度为输入参数，待支撑区域面积为输出参数构建数组，作为训练样本和测试样本；
S5、根据步骤S4得到的输入参数及输出参数的列数分别设置输入层、输出层节点数，构建合适的神经网络进行训练并预测；
S6、根据步骤S5中训练好的神经网络，作为个体适应度值，利用遗传算法的选择、交叉及变异操作寻找全旋转域内异形管道待支撑区域面积最小的成形基准及对应的旋转角度；
S7、根据步骤S6中得到的成形基准可作为当前异形管道模型的最终成形基准。
进一步的，所述步骤S2中，为了得到全三维区域内的待支撑面积分布情况，模型不动，对模型初始成形基准法向矢量依次绕X轴或Y轴的旋转范围为0～180°，绕Z轴的旋转范围为0～360°，以预设角度为梯度设置每次旋转角度增量。
进一步的，所述步骤S3中，每个成形基准下模型的待支撑区域面积计算步骤如下：
第一步，计算出模型每个三角面片的面积Si；
第二步，计算出模型各成形基准下每个三角面片与成形基准法向矢量反方向-k的夹角θ；
第三步，保留所有夹角θ小于ω的三角面片，计算出各成形基准下模型的待支撑区域总面积fS1，ω为SLM工艺成形存在模型无支撑添加情况下的极限成形倾斜角度；
第四步，计算出各成形基准下模型的基底平面面积fS2；
第五步，通过如下公式对模型待支撑区域进行修正：fS＝fS1-fS2，得到最终的待支撑区域面积fS。
进一步地，所有夹角θi小于无支撑添加情况下的极限成形倾斜角度ω的三角面片即为模型的待支撑区域，通过如下公式计算出各成形基准下模型的待支撑区域总面积fS1：
Figure BDA0003461050330000031
式中n为异形管道STL模型的三角面片个数。
进一步的，所述步骤S5中，神经网络构建与所输入的异形管道模型有关，网络预测输出值与实际值误差不超过10％。
本发明与现有技术相比具有以下有益效果：
1、本发明提供的一种基于增材制造的异形管道成形基准优化方法，可以提升异形管道成形的精度，提高管道内外壁表面质量，减少管道使用时流体与内壁之间的摩擦，并提高异形管道集成件的装配精度。
2、本发明基于对STL模型的处理，有效提取出各成形基准下异形管道真实的悬垂特征，通过对异形管道模型待支撑区域的修正，结合神经网络预测结合遗传算法优化的方法获得三维全域内的最优解并提高计算效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中异形管道模型初始成形基准示意图；
图2为本发明中管道垂直截面待支撑区域示意图；
图3为本发明中BP—GA优化方法流程示意图；
图4为本发明中BP神经网络结构示意图；
图5为本发明中模型待支撑区域面积的预测值与真实值对比示意图；
图6为本发明中遗传算法适应度值变化示意图；
图7为本发明中异形管道优化前后成形基准对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例主要利用MATLAB软件实现，应当理解，此处所描述的实施例仅用于解释本发明，并不用于限定本发明。
本发明所提出的一种基于增材制造的异形管道成形基准优化方法，具体包括以下步骤：
步骤S1：确定待打印的异形管道尺寸结构等设计参数，利用CAD软件绘制三维模型，并保存为增材制造专用的STL文件。
步骤S2：根据步骤S1得到的异形管道STL格式文件，读取并提取其各三角面片顶点及法向量信息，并在三维空间中对模型初始成形基准法向矢量(Z轴正向)进行依次绕X轴(或Y轴)和Z轴的旋转，得到一组新的成形基准法向矢量；
STL文件为二进制格式，存有各三角面片的三个顶点坐标及其单位法向量信息，且所用法向量均指向模型外部；
如图1异形管道模型初始成形基准示意图所示，该异形管道打印在基板上表面即X、Y平面，该异形管道存在多处弯曲，无法直接确定待支撑区域面积最小时的成形基准。成形基准的法向矢量k即为模型分层打印的切片方向，k的初始方向为Z轴正方向，即k＝[0 01]；
为了得到全三维区域内的待支撑面积分布情况，模型不动，对模型初始成形基准法向矢量(Z轴正方向)依次绕X轴(或Y轴)的旋转范围为0～180°，绕Z轴的旋转范围为0～360°，可选择以2、4、5、10°为梯度设置每次旋转角度增量，模型越复杂，增量角应越小。本实施例中，旋转角度增量均设置为5°。绕X、Z轴的旋转矩阵分别为：
Figure BDA0003461050330000051
Figure BDA0003461050330000052
式中
Figure BDA0003461050330000053
为绕X轴转动角度，
Figure BDA0003461050330000054
为绕Z轴转动角度，旋转之后k变为：
k＝k·rotx·rotz
该实施例共有2664个k向量。
S3、根据步骤S2得到的三角面片信息和新的成形基准法向矢量k，计算出各成形基准下模型的待支撑面积；
计算出各成形基准下模型待支撑区域面积的具体步骤如下：
第一步，计算出模型每个三角面片的面积Si；
根据每个三角面片三个顶点坐标分别计算出其三条边长ai、bi、ci，再利用下面公式计算面积Si：
Figure BDA0003461050330000055
Figure BDA0003461050330000056
第二步，计算出模型各成形基准下每个三角面片法向量与成形基准法向矢量反方向-k的夹角θi；
第三步，所有夹角θi小于无支撑添加情况下的极限成形倾斜角度ω的三角面片即为模型的待支撑区域，计算出各成形基准下模型的待支撑区域总面积fS1；
SLM工艺成形存在模型无支撑添加情况下的极限成形倾斜角度ω，以SLM125HL设备为例，其管道无支撑倾斜角度ω为35～40°，考虑到异形管道管路较长，成形管路末端的累积变形较大，为保证成形精度可将ω提升为45～50°；具体角度与打印设备、粉末材料及模型尺寸大小有关，需要通过仿真及实际打印确定。如图2所示的管道垂直截面待支撑区域示意图为例，θ1、θ2分别为管道内、外轮廓三角面片法向量与-k的夹角，本实施例假设金属粉末为316L，设备为SLM 125HL，考虑到异形管道管路较长，本实施例中将ω定为50°，θ1、θ2小于50°的范围就是管道的待支撑区域，计算fS1的公式为：
Figure BDA0003461050330000061
式中n为实施例异形管道STL模型的三角面片个数，本实施例n＝9216。
第四步，计算出各成形基准下模型的基底平面面积fS2；
由于异形管道的侧壁及端部连接口都可能存在面积较大的平面，当平面与基板平行且处于打印的第一层时，会被计入待支撑区域，导致fS1计算出现较大误差，把这种平面定义为基底平面，即每个成形基准下模型与打印基板平行且Z坐标值最小的面；
为提高运算速度，先找到存在夹角θi等于零的成形基准，所有θi均不为零的成形基准方式不存在基底平面；计算fS2时需要保持坐标轴不动，把模型按照当前成形基准进行反向坐标变换，变换后坐标的计算公式为：
[x1i；y1i；z1i]＝rotx1·rotz1·[xi；yi；zi]
Figure BDA0003461050330000062
Figure BDA0003461050330000063
式中[xi；yi；zi]为模型旋转之前的坐标，[x1i；y1i；z1i]为模型旋转之后的坐标。
第五步，对模型待支撑区域进行修正：fs＝fS1-fS2，得到最终的待支撑面积fs；
本实施例中异形管道初始成形基准下待支撑区域面积约为1036mm2。
S4、根据步骤S3得到的模型待支撑面积，以成形基准法向矢量两次转动角度
Figure BDA0003461050330000071
为输入参数，待支撑面积fs为输出参数，作为神经网络的训练样本和测试样本；
S5、针对步骤S4得到的输入参数及输出参数列数分别设置输入层、输出层节点数，构建合适的神经网络进行训练；
本实施例采用BP神经网络进行预测，BP—GA优化方法流程如图3所示；BP神经网络构建与所输入的异形管道模型复杂程度有关，其中训练次数、学习效率、隐含层数等都需要根据训练效果进行确定，隐含层节点数由经验公式确定：
Figure BDA0003461050330000072
式中a为常数可取0～10；
如图4所示的BP神经网络结构示意图，本实施例中，隐含层节点数n1取12，输入层节点数m为2，输出层节点数p为1，隐含层数取3；输入层与隐含层之间的传递函数为S型正切函数Tansig，隐含层与输出层之间的传递函数为线性函数Purelin；训练次数为200，学习效率为0.01，目标误差为0.00001；训练得到的待支撑区域面积的预测值和期望值对比如图5所示。
S6、根据步骤S5中训练好的BP神经网络，作为个体适应度值，利用遗传算法(GA)的的选择、交叉及变异操作寻找全旋转域内异形管道待支撑区域面积最小的成形基准及对应的旋转角度；
从BP神经网络获得个体适应度的方式如下：
训练好BP神经网络并保存，x为输入数据，加载保存好的网络，利用mapminmax函数将x归一化，通过sim函数得到输出数据y，fitness为个体适应度值，由y值的反归一化得到；
本实施例遗传算法的参数设定如下：
进化次数为100，种群规模为25，交叉概率为0.45，变异概率为0.15，浮点型变量x长度为[1 1]，变量边界为[0 180；0 360]；
如图6所示的遗传算法适应度值变化示意图，通过遗传算法极值寻优，收敛效果良好，得到全旋转域内异形管道待支撑区域面积的最小值约为457mm2，对应的旋转角度约为119°和331°。
S7、根据步骤S6中得到的成形基准作为当前异形管道模型的最终成形基准；
如图7所示的优化前后的异形管道成形基准对比示意图，左侧为优化前，右侧为优化后；优化后实际的待支撑区域面积约为435mm2，遗传算法的误差为5％；基准优化后模型待支撑区域面积与初始相比减少了约57％，可大幅减少异形管道打印时内外壁无支撑悬垂区域的成形质量。
所述步骤S5中，神经网络用于预测待支撑区域面积值，具体构建与所输入的异形管道模型有关，网络预测输出值应与实际值误差应较小，不可超过10％，否则会使遗传算法优化失败。
本发明适用于异形管道类零件的SLM增材制造成形，以上所述的实施例仅仅是对本发明实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于增材制造的异形管道成形基准优化方法，其特征在于，所述方法包括以下步骤：
S1、确定待打印异形管道的结构及尺寸，绘制其三维模型；
S2、获取步骤S1三维模型中各三角面片及法向量信息，并在三维空间中对模型初始成形基准法向矢量，即Z轴正向，进行依次绕X轴和Z轴或Y轴和Z轴的旋转，基于不同的旋转角度得到一组新的成形基准法向矢量；
S3、根据步骤S2得到的三角面片信息和新的成形基准法向矢量，计算出各成形基准下模型的待支撑区域面积；
S4、根据步骤S3得到的模型待支撑区域面积，以成形基准法向矢量两次转动角度为输入参数，待支撑区域面积为输出参数构建数组，作为训练样本和测试样本；
S5、根据步骤S4得到的输入参数及输出参数的列数分别设置输入层、输出层节点数，构建合适的神经网络进行训练并预测；
S6、根据步骤S5中训练好的神经网络，作为个体适应度值，利用遗传算法的选择、交叉及变异操作寻找全旋转域内异形管道待支撑区域面积最小的成形基准及对应的旋转角度；
S7、根据步骤S6中得到的成形基准可作为当前异形管道模型的最终成形基准。
2.根据权利要求1所述的一种基于增材制造的异形管道成形基准优化方法，其特征在于：所述步骤S2中，为了得到全三维区域内的待支撑面积分布情况，模型不动，对模型初始成形基准法向矢量依次绕X轴或Y轴的旋转范围为0～180°，绕Z轴的旋转范围为0～360°，以预设角度为梯度设置每次旋转角度增量。
3.根据权利要求2所述的一种基于增材制造的异形管道成形基准优化方法，其特征在于：所述步骤S3中，每个成形基准下模型的待支撑区域面积计算步骤如下：
第一步，计算出模型每个三角面片的面积Si；
第二步，计算出模型各成形基准下每个三角面片与成形基准法向矢量反方向-k的夹角θ；
第三步，保留所有夹角θ小于ω的三角面片，计算出各成形基准下模型的待支撑区域总面积fS1，ω为SLM工艺成形存在模型无支撑添加情况下的极限成形倾斜角度；
第四步，计算出各成形基准下模型的基底平面面积fS2；
第五步，通过如下公式对模型待支撑区域进行修正：fS＝fS1-fS2，得到最终的待支撑区域面积fS。
4.根据权利要求3所述的一种基于增材制造的异形管道成形基准优化方法，其特征在于：所有夹角θi小于无支撑添加情况下的极限成形倾斜角度ω的三角面片即为模型的待支撑区域，通过如下公式计算出各成形基准下模型的待支撑区域总面积fS1：
Figure FDA0003461050320000021
式中n为异形管道STL模型的三角面片个数。
5.根据权利要求1所述的一种基于增材制造的异形管道成形基准优化方法，其特征在于：所述步骤S5中，神经网络构建与所输入的异形管道模型有关，网络预测输出值与实际值误差不超过10％。
CN202210016379.XA 2022-01-07 2022-01-07 一种基于增材制造的异形管道成形基准优化方法 Pending CN114492173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210016379.XA CN114492173A (zh) 2022-01-07 2022-01-07 一种基于增材制造的异形管道成形基准优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210016379.XA CN114492173A (zh) 2022-01-07 2022-01-07 一种基于增材制造的异形管道成形基准优化方法

Publications (1)

Publication Number Publication Date
CN114492173A true CN114492173A (zh) 2022-05-13

Family

ID=81509649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210016379.XA Pending CN114492173A (zh) 2022-01-07 2022-01-07 一种基于增材制造的异形管道成形基准优化方法

Country Status (1)

Country Link
CN (1) CN114492173A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115098961A (zh) * 2022-06-16 2022-09-23 燕山大学 基于抛流原理的除气u型流道优化方法
CN115475962A (zh) * 2022-09-29 2022-12-16 中国航发动力股份有限公司 一种用于增材成形及减材加工的一体化装置及设计方法
CN115673341A (zh) * 2022-07-08 2023-02-03 湖北鸿路钢结构有限公司 一种用于电弧增材制造管-管相贯区域的打印方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115098961A (zh) * 2022-06-16 2022-09-23 燕山大学 基于抛流原理的除气u型流道优化方法
CN115098961B (zh) * 2022-06-16 2023-11-07 燕山大学 基于抛流原理的除气u型流道优化方法
CN115673341A (zh) * 2022-07-08 2023-02-03 湖北鸿路钢结构有限公司 一种用于电弧增材制造管-管相贯区域的打印方法及系统
CN115673341B (zh) * 2022-07-08 2023-09-15 湖北鸿路钢结构有限公司 一种用于电弧增材制造管-管相贯区域的打印方法及系统
CN115475962A (zh) * 2022-09-29 2022-12-16 中国航发动力股份有限公司 一种用于增材成形及减材加工的一体化装置及设计方法

Similar Documents

Publication Publication Date Title
CN114492173A (zh) 一种基于增材制造的异形管道成形基准优化方法
CN110126279B (zh) 一种面向曲面3d打印的随形切层及路径规划方法
CN112036041B (zh) 一种3dp工艺中stl模型渗透误差综合补偿方法
CN115203865B (zh) 一种基于数字孪生的产品装配过程机械性能在线预测方法
He et al. High-accuracy and high-performance WAAM propeller manufacture by cylindrical surface slicing method
CN113077553A (zh) 一种基于表面属性的三维模型分割方法
CN112818470B (zh) 一种基结构的优化方法、装置、计算机设备和存储介质
EP1242978B1 (en) Mesh generator for and method of generating meshes in an extrusion process
CN116244988B (zh) 板料旋压多网格法仿真的高质量四边形网格保形构造方法
CN111967172A (zh) 基于kriging模型的内高压成形工艺优化设计方法
CN111444661A (zh) 交互式棱柱网格生成中翘曲现象消除方法
CN112380601A (zh) 一种增材制造建造方向优化方法及系统
CN114972387A (zh) 基于三维实测的复材成型过程模具变形修配方法及系统
CN112942837B (zh) 一种悬挑结构混凝土3d打印方法及系统
CN111444619B (zh) 一种注塑模具冷却系统在线分析方法及设备
Wu et al. Adaptive sampling method for thin-walled parts based on on-machine measurement
CN113704841B (zh) 一种基于偏置的优化排样方法
CN115577500A (zh) 基于三周期极小曲面的换热核心单元结构、制作方法及换热器
Pérez et al. Parametric generation, modeling, and fairing of simple hull lines with the use of nonuniform rational B-spline surfaces
CN112883518B (zh) 一种预测tig增材与轧制复合制造件残余应力及变形的方法
Bender et al. Integrated Digital Design and Manufacturing for 3D Printing Technologies
Fan et al. Arbitrary surface data patching method based on geometric convolutional neural network
Winter et al. NURBS-based shape and parameter optimization of structural components with an adaptive amount of control points
CN112989524A (zh) 一种球轴承滚动体建模方法、系统及存储介质
KR100344917B1 (ko) 선박용 1차곡면 외판의 가공정보 산출방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination