CN115510766B - 一种基于高斯过程模型的3d打印质量预测方法及系统 - Google Patents
一种基于高斯过程模型的3d打印质量预测方法及系统 Download PDFInfo
- Publication number
- CN115510766B CN115510766B CN202211396308.3A CN202211396308A CN115510766B CN 115510766 B CN115510766 B CN 115510766B CN 202211396308 A CN202211396308 A CN 202211396308A CN 115510766 B CN115510766 B CN 115510766B
- Authority
- CN
- China
- Prior art keywords
- printing
- data
- data set
- historical data
- model
- 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.)
- Active
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公布了一种基于高斯过程模型的3D打印质量预测方法及系统,可应用于氧化铝陶瓷光固化、金属粉末激光选区烧结等多种3D打印工艺。系统包括:3D打印实验设计模块、实验数据收集模块、历史数据收集及参数空间调整模块、3D打印质量预测模型构建和训练模块、3D打印质量预测模块;设计3D打印产品质量指标及工艺参数,并设置3D打印实验设计表;收集实验数据;收集历史数据和进行参数空间调整;构建3D打印质量预测模型并训练;进行预测。本发明可实现少量实验次数下对3D打印质量的预测,提高预测准确度,提升寻找最优工艺参数的速度,进而缩短开发3D打印新材料所需的实验周期,大大降低3D打印制造的时间成本与经济成本。
Description
技术领域
本发明涉及3D打印技术领域,具体涉及一种基于高斯过程的3D打印质量预测方法及系统,可应用于氧化铝陶瓷光固化、金属粉末激光选区烧结等多种3D打印工艺。
背景技术
陶瓷、钛合金等材料,具有机械强度优异、耐磨性和耐腐蚀性强、热稳定性和热传导率高等优势,已经被广泛应用于航空航天、矿业冶金等众多领域。但是陶瓷材料脆性大,钛合金材料化学性能活泼,都给后期加工处理带来了极大困难,大大制约了形状复杂的高强度结构件的发展。3D打印技术,又称为增材制造技术,是一种以零件的三维模型为基础,依托计算机切片软件将三维模型切分成若干二维平面,根据二维平面信息进行逐层叠加制造。相比于传统的制造技术,3D打印技术可以制造传统工艺难以完成甚至无法完成的复杂零件,并且可以大大减少加工工序。依托于数字化的创新设计能力,3D打印技术已经成为推动工业体系升级发展的关键技术。
3D打印制造过程复杂,产品性能受到原材料、打印设备、工艺参数、生产环境等众多因素的影响。以氧化铝陶瓷光固化技术(Ceramic Stereo Lithography)为例,该技术首先根据切片后的二维信息,用特定波长的激光照射材料表面并固化当前层,然后升降台垂直移动一个层面的距离再次固化下一层,所有层面固化完成后取出零件进行烧结。在此过程中,决定陶瓷产品质量的因素,包括固相含量、颗粒直径、干燥加热速率、烧结温度等数十种工艺参数,其中固相含量和烧结温度对于最终制造零件的密度和力学性能至关重要。因此如何对任意工艺参数下的零件质量进行预测,绘制出零件质量指标与工艺参数的响应曲面,并对工艺参数进行优化选择以达到产品质量与生产效益的平衡,需要进行不断的探索。
传统的零件质量预测方法主要包括三种途径:依据专家经验进行预测并实验试错,具有主观性强、预测准确度低、参数寻优范围狭窄的缺点;采用物理定律驱动的计算机仿真模拟进行质量预测,但面临计算时间成本高昂、仿真结果与实际存在偏差等问题;采用实验设计方法(DesignofExperiment,DoE)确定实验设计表,进行多组制造实验并绘制质量-参数响应曲面进行预测,然而获取足够精细准确的质量-参数曲面仍需要大量实验点,其时间成本和经济成本相当可观。
综上,传统的3D打印质量预测方法,或是准确度难以保证,或是时间成本高昂,均难以满足产品的快速迭代升级和市场化生产需求,制约着3D打印技术的实用化、推广化进程。
发明内容
为了克服上述现有技术存在的问题,本发明提出一种基于高斯过程的3D打印质量预测方法及系统,应用于氧化铝陶瓷光固化、金属粉末激光选区烧结等多种3D打印工艺,以克服传统DoE方法需要大量实验点来绘制精确质量-参数响应曲面的缺点,在仅需少量3D打印实验的条件下,对3D打印工艺质量实现精确预测,可优化3D打印工艺,提升3D打印产品质量。
本发明提供的技术方案为:
一种基于高斯过程模型的3D打印质量预测方法,包括以下步骤:
S1、3D打印产品质量指标及工艺参数设计:设定3D打印产品质量指标(如产品密度、内部孔隙率等)及对应的多个工艺参数,设定每一个工艺参数的数据范围和水平数;根据工艺参数的数量和每一个参数对应的水平数,采用拉丁超立方设计设置实验设计表;
将其他工艺的数据,与3D打印工艺的少量实验数据共同建模,提升3D打印工艺的质量预测准确性。
S7、模型预测:基于S6中训练好的高斯过程模型,输入3D打印的任意工艺参数,输出预测的3D打印产品质量指标值,得到精细的质量-参数响应曲面。
进一步地,步骤S2中,3D打印实验数据集的形式如下:
进一步地,步骤S3中,其他工艺历史数据集的形式如下:
进一步地,步骤S3中,同种材料在其他工艺下的历史数据可以来源于公开文献中的数据,或者以往生产过程中的数据。
S402、去除其他工艺历史数据中的独有工艺参数,得到投影数据进行非参数回归,获得边际回归方程:;其中表示该方程在两个数据集的共有参数空间,表示任意的共有工艺参数,为回归函数,回归函数为回归函数输出的产品质量指标;
S404、向步骤S403中得到的每个伪数据,添加3D打印独有的工艺参数,得到调整后的历史数据集,并重新记为,其中分别表示调整后数据集中的工艺参数集合与产品质量指标集合,为数据集中的数据个数,为中的数据编号,编号方式不限。
第三类矩阵块是调整后历史数据集与3D打印实验数据集的协方差矩阵块(例如:为数据集中与数据集中的协方差矩阵),其第行第列元素为,其中为第三类协方差函数,分别为调整后历史数据集中工艺参数集合中的第个数据点,为3D打印实验数据集中工艺参数集合中的第个数据点;
进一步地,三类协方差函数的具体形式分别为:
本发明方法具体实施应用于氧化铝陶瓷光固化3D打印,并提供了一种基于高斯过程的3D打印质量预测系统,包括:实验设计模块、实验数据收集模块、历史数据收集及参数空间调整模块、3D打印质量预测模型构建和训练模块、3D打印质量预测模块;其中,
3D打印实验设计模块用于设计产品质量指标及对应的多个工艺参数;具体实施时,采用拉丁超立方设计设置氧化铝陶瓷光固化3D打印装置的产品密度为产品质量指标,及对应的多个工艺参数,设定每一个工艺参数的数据范围和水平数;以及根据工艺参数的数量和每一个参数对应的水平数,设置3D打印实验设计表;
实验数据收集模块与3D打印装置连接,用于根据3D打印实验设计表进行3D打印制造,并采集所得产品的质量指标,与对应的工艺参数组成实验数据集;
3D打印质量预测模型构建和训练模块用于构建用于3D打印质量预测的多输出高斯过程模型,并利用最优化算法进行模型训练;
3D打印质量预测模块用于基于训练好的模型,输入3D打印的任意工艺参数,输出预测的3D打印产品质量指标值,并可绘制得到精细的质量-参数响应曲面。
与现有技术相比,本发明的有益效果:
本发明公开了一种基于高斯过程的3D打印质量预测方法,可应用于氧化铝陶瓷光固化、金属粉末激光选区烧结等多种3D打印工艺。本方法采用拉丁超立方设计进行实验设置,相比于全实验设计和均匀实验设计,所需实验点数大大减少,大大降低了3D打印制造的时间成本与经济成本。
为了实现少量实验数据下对于质量-参数关系的准确预测,本方法创新性地借助同种材料产品在其他工艺下的历史数据进行信息迁移,并将其他工艺历史数据的参数空间调整至与3D打印实验参数空间一致。
结合调整后历史数据与少量实验数据,通过建立多输出高斯过程模型,实现质量-参数响应关系从其他工艺历史数据向当前3D打印工艺的迁移,得到精确的质量-参数响应曲面,从而实现少量实验次数下对3D打印质量的预测,提高了预测准确度,提升了寻找最优工艺参数的速度,进而缩短了开发3D打印新材料所需的实验周期。
附图说明
为了更加清楚地说明本发明的技术方案和具体实施例,下面将对需要使用的附图进行简单介绍。
图1为本发明所述基于高斯过程的3D打印质量预测方法的流程框图。
图2为本发明所述方法在氧化铝陶瓷光固化3D打印实施例中,对获取的压铸工艺历史数据进行参数空间调整过程的示意图;
其中左图对应步骤S401-S402,将压铸工艺历史数据首先投影到烧结温度工艺参数空间(去除历史数据中的压铸压力工艺参数),然后得到边际回归方程;右图对应步骤S403-S404,根据边际回归方程进行采样,并添加3D打印工艺独有的固相含量工艺参数。
图3为本发明所述方法在氧化铝陶瓷光固化3D打印实施例中,对于3D打印产品质量(产品密度)的预测结果和真实结果;
其中左图表示陶瓷3D打印产品在不同工艺参数下的真实质量,右图表示本发明所述方法对于打印产品的预测质量。
具体实施方式
为了使本技术领域的人员更好地理解本发明,下面结合附图1-3,通过实施例,对本发明做进一步地说明。应当理解,以下描述的实施例仅仅用以解释本发明的具体实施方式,并不用于限定本发明。
本发明提供了基于高斯过程的3D打印质量预测方法及系统,该方法可以应用于氧化铝陶瓷光固化、金属粉末激光选区烧结等多种3D打印工艺。提供基于高斯过程的3D打印质量预测系统包括:实验设计模块、实验数据收集模块、历史数据收集及参数空间调整模块、3D打印质量预测模型构建和训练模块、3D打印质量预测模块。本实施例所提供的基于高斯过程模型的3D打印质量预测方法及系统对氧化铝陶瓷光固化3D打印产品质量进行预测,其流程如图1所示,具体包括以下步骤:
S1、设计3D打印产品质量指标及工艺参数,和实验设计:设定氧化铝陶瓷3D打印产品质量指标为密度,对应的两个关键工艺参数为固相含量L和烧结温度T。设定固相含量的数据范围为[50%,65%],水平数为4;设定烧结温度的数据范围为[1400℃,1700℃],水平数为4,根据工艺参数的数量和每一个参数对应的水平数,采用拉丁超立方设计设置实验设计表如表1所示:
表1氧化铝陶瓷光固化3D打印实验设计表
S2、实验数据收集:根据实验设计表,进行氧化铝陶瓷3D打印制造实验,测量产品的重量与体积后得到产品的密度,与3D打印零件对应的工艺参数组成实验数据集;包含4个数据,其中包含每个实验中的固相含量与烧结温度两种工艺参数,包含每个实验中测得的产品密度,将所有数据的工艺参数集合表示为,将所有产品的密度表示为。
S3、历史数据收集:搜集同种氧化铝陶瓷材料在压铸工艺下的历史数据1组,来自于历史生产实验,组成包含28个数据的历史数据集。其中为工艺参数压铸压力P和烧结温度T的数据集合:压铸压力的数据范围为[1400℃,1700℃],水平数为7;烧结温度的数据范围为[200MPa,800MPa],水平数为4。为压铸工艺中产品质量的数据集合。
S4、历史数据参数空间调整:如图2所示,对于压铸工艺历史数据集,其包含的工艺参数种类与3D打印实验数据集有一种不同(压铸工艺不包含固相含量工艺参数),共同的工艺参数为烧结温度T,则对其进行参数空间调整,得到调整历史数据集,具体方法如下:
其中,与分别为包含数据集中共有的工艺参数(烧结温度T)的历史数据和实验数据;与分别为包含压铸工艺历史数据的独有工艺参数(压铸压力P)的历史数据和3D打印实验数据的独有工艺参数(固相含量L)的实验数据;
S402、根据步骤S401中对原始历史数据的划分,去除压铸工艺历史数据中的独有工艺参数,得到投影数据,采用核回归方法进行非参数回归,获得边际回归方程:。其中核回归方法选用核函数为径向基函数,超参数选择采用网格搜索方法。
S404、向步骤S403中得到的每个伪数据,添加工艺参数(固相含量L)在[50%,65%]区间内的4个水平数,得到调整后的历史数据,并重新记为,其中包含的工艺参数为固相含量与烧结温度,包含产品的密度。调整后的压铸工艺历史数据具有与3D打印工艺数据相同的工艺参数(固相含量L与烧结温度T),且保留了原始压铸工艺数据在烧结温度T参数空间内的边际信息。
进一步地,协方差矩阵的具体形式为:
由于实施例中仅存在1个历史数据集,所以该协方差矩阵不包括第四类矩阵块,其余矩阵块描述如下:
第三类矩阵块是调整后历史数据集与3D打印实验数据集的协方差矩阵块,其第行第列元素为,其中为第三类协方差函数,分别为调整后历史数据集中工艺参数集合中的第个数据点,为3D打印实验数据集中工艺参数集合中的第个数据点;
进一步地,协方差函数的具体形式为:
最终基于四个3D打印实验点,预测的3D打印产品质量如图3中右图所示。对比图3中左图真实的产品质量,本方法的预测结果十分接近。
本发明的步骤S1与S2通过拉丁超立方设计设置3D打印实验,并收集数据制作实验数据集;步骤S3搜集同种材料产品在压铸工艺下的历史数据集,作为3D打印工艺质量预测的补充数据,以辅助当前少量实验条件下对于3D打印产品质量的准确预测;步骤S4为本发明方法的首创方法,用于调整步骤S3中收集到的压铸工艺历史数据集的参数空间,使其与当前3D打印工艺实验的参数空间一致,保留原始信息的同时方便后续步骤;本发明方法的步骤S5创新性地通过构建高斯过程模型,实现从压铸工艺历史数据向3D打印实验数据的预测信息迁移;步骤S6与S7对上一步骤中构建的高斯过程模型进行训练,并输出任意3D打印工艺参数对应的产品质量预测值,具体实施说明,采用本发明方法预测得到的产品质量预测值与3D打印真实质量十分吻合。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (6)
1.一种基于高斯过程模型的3D打印质量预测方法,其特征是,包括以下步骤:
S1、设计3D打印产品质量指标及对应的工艺参数,并设置3D打印实验设计表;
S2、收集实验数据:根据3D打印实验设计表进行3D打印制造,采集所得产品的质量指标,与对应的工艺参数组成3D打印实验数据集,记为;;其中,和分别代表3D打印实验数据的工艺参数集合和产品质量指标集合,t表示3D打印工艺,代表3D打印实验次数,为序号,每次实验的工艺参数记为xjt,每次实验的产品质量指标记为yjt;
S3、收集历史数据:搜集同种材料产品在其他3D打印工艺下的组历史数据,组成历史数据集,记为,表示为:,其中,、分别代表历史数据中的工艺参数集合和产品质量指标集合;为中数据个数;为历史数据集序号;为中数据的序号;
S4、对历史数据进行参数空间调整:若每一个历史数据集包含的工艺参数种类与3D打印实验数据集不同,则对其进行参数空间调整;包括:
S402、去除其他工艺历史数据中的独有工艺参数,得到投影数据进行非参数回归,获得边际回归方程:;其中c表示该方程在两个数据集的共有参数空间,xi (c)表示任意的共有工艺参数,fi (c)为回归函数,yi (c)为回归函数输出的产品质量指标;
S404、向步骤S403中得到的每个伪数据,添加3D打印独有的工艺参数,得到调整后的历史数据集,并重新记为,其中分别表示调整后数据集中的工艺参数集合与产品质量指标集合,为数据集中的数据个数,为中的数据编号;
第三类矩阵块是调整后历史数据集与3D打印实验数据集的协方差矩阵块,其第行第列元素为,其中为第三类协方差函数,为调整后历史数据集中工艺参数集合中的第个数据点,为3D打印实验数据集中工艺参数集合中的第个数据点;
进一步得到精细的质量-参数响应曲面;
通过上述步骤,实现基于高斯过程模型的3D打印质量预测。
2.如权利要求1所述基于高斯过程模型的3D打印质量预测方法,其特征是,将所述方法应用于氧化铝陶瓷3D打印工艺;设定3D打印产品质量指标采用产品密度;设定工艺参数包括固相含量和烧结温度;设定每一个工艺参数的数据范围和水平数;根据工艺参数的数量和每一个工艺参数对应的水平数,采用拉丁超立方设计方法设置3D打印实验设计表。
6.一种基于高斯过程模型的3D打印质量预测系统,用于实现如权利要求1所述的基于高斯过程模型的3D打印质量预测方法,其特征是,包括:3D打印实验设计模块、实验数据收集模块、历史数据收集及参数空间调整模块、3D打印质量预测模型构建和训练模块以及3D打印质量预测模块;其中,
3D打印实验设计模块用于设计3D打印产品质量指标及对应的多个工艺参数,并设置3D打印实验设计表;
实验数据收集模块与3D打印装置连接,用于根据3D打印实验设计表进行3D打印制造,并采集所得产品的质量指标,与对应的工艺参数组成3D打印实验数据集;
历史数据收集及参数空间调整模块用于搜集同种材料产品在其他3D打印工艺下的历史数据共组,组成历史数据集;若每一个历史数据集包含的工艺参数种类与3D打印实验数据集不同,则进行参数空间调整,得到调整历史数据集;
3D打印质量预测模块用于基于训练好的模型,输入3D打印的任意工艺参数,输出预测的3D打印产品质量指标值,并绘制得到精细的质量-参数响应曲面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211396308.3A CN115510766B (zh) | 2022-11-09 | 2022-11-09 | 一种基于高斯过程模型的3d打印质量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211396308.3A CN115510766B (zh) | 2022-11-09 | 2022-11-09 | 一种基于高斯过程模型的3d打印质量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115510766A CN115510766A (zh) | 2022-12-23 |
CN115510766B true CN115510766B (zh) | 2023-03-03 |
Family
ID=84513937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211396308.3A Active CN115510766B (zh) | 2022-11-09 | 2022-11-09 | 一种基于高斯过程模型的3d打印质量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510766B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051562B (zh) * | 2023-03-31 | 2023-06-13 | 北京大学 | 基于深度生成网络的金属3d打印质量预测方法 |
CN116728783B (zh) * | 2023-08-09 | 2023-10-27 | 深圳市金石三维打印科技有限公司 | 一种基于3d打印机的仿真方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
CN110789128A (zh) * | 2019-10-24 | 2020-02-14 | 汕头大学 | 一种增材制造制件成形质量预测与控制系统及方法 |
CN112836394A (zh) * | 2021-03-10 | 2021-05-25 | 东南大学 | 基于相关性和高斯过程回归的设计空间参数迁移学习方法 |
CN114026510A (zh) * | 2019-03-29 | 2022-02-08 | 西门子能源全球有限两合公司 | 用于优化增材制造工艺中的工艺参数的方法和系统 |
CN114346260A (zh) * | 2022-01-04 | 2022-04-15 | 大连理工大学 | 一种激光熔化沉积沉积层几何特征预测方法 |
CN114434804A (zh) * | 2022-01-29 | 2022-05-06 | 杭州电子科技大学 | 一种基于高斯过程和形状补偿的桥型结构高精打印方法 |
CN115049127A (zh) * | 2022-06-15 | 2022-09-13 | 杭州电子科技大学 | 基于bohb算法及神经网络的3d打印质量预测方法 |
CN115130239A (zh) * | 2022-06-23 | 2022-09-30 | 武汉大学 | 基于多尺度建模的金属增材制造的力学性能预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105881694B (zh) * | 2016-04-11 | 2018-01-09 | 中国石油大学(北京) | 一种类岩石材料的快速凝结配比的筛选方法 |
US11511491B2 (en) * | 2018-11-08 | 2022-11-29 | General Electric Company | Machine learning assisted development in additive manufacturing |
CN113102754B (zh) * | 2019-12-24 | 2022-07-29 | 天津大学 | 一种高熵合金激光选区熔化工艺参数优化方法 |
US11536671B2 (en) * | 2020-08-07 | 2022-12-27 | Sigma Labs, Inc. | Defect identification using machine learning in an additive manufacturing system |
CN112942837B (zh) * | 2021-01-22 | 2023-02-03 | 河北工业大学 | 一种悬挑结构混凝土3d打印方法及系统 |
CN112922582B (zh) * | 2021-03-15 | 2022-03-11 | 西南石油大学 | 基于高斯过程回归的气井井口油嘴气体流量分析预测方法 |
-
2022
- 2022-11-09 CN CN202211396308.3A patent/CN115510766B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114026510A (zh) * | 2019-03-29 | 2022-02-08 | 西门子能源全球有限两合公司 | 用于优化增材制造工艺中的工艺参数的方法和系统 |
CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
CN110789128A (zh) * | 2019-10-24 | 2020-02-14 | 汕头大学 | 一种增材制造制件成形质量预测与控制系统及方法 |
CN112836394A (zh) * | 2021-03-10 | 2021-05-25 | 东南大学 | 基于相关性和高斯过程回归的设计空间参数迁移学习方法 |
CN114346260A (zh) * | 2022-01-04 | 2022-04-15 | 大连理工大学 | 一种激光熔化沉积沉积层几何特征预测方法 |
CN114434804A (zh) * | 2022-01-29 | 2022-05-06 | 杭州电子科技大学 | 一种基于高斯过程和形状补偿的桥型结构高精打印方法 |
CN115049127A (zh) * | 2022-06-15 | 2022-09-13 | 杭州电子科技大学 | 基于bohb算法及神经网络的3d打印质量预测方法 |
CN115130239A (zh) * | 2022-06-23 | 2022-09-30 | 武汉大学 | 基于多尺度建模的金属增材制造的力学性能预测方法 |
Non-Patent Citations (6)
Title |
---|
Improved Modeling of Kinematics-Induced Geometric Variations in Extrusion-Based Additive Manufacturing Through Between-Printer Transfer Learning;Jie Ren et al.;《IEEE Transactions on Automation Science and Engineering》;20210317;第19卷(第03期);全文 * |
Optimization of Cold Metal Transfer-Based Wire Arc Additive Manufacturing Processes Using Gaussian Process Regression;Seung Hwan Lee et al.;《metals》;20200402;第10卷(第4期);全文 * |
Regularized Multi-Output Gaussian Convolution Process With Domain Adaptation;Xinming Wang et al.;《IEEE Transactions on Pattern Analysis and Machine Intelligence(Early Access)》;20220908;全文 * |
基于GPR响应曲面法的3D打印参数优化研究;崔庆安 等;《工业工程与管理》;20210831;第26卷(第04期);全文 * |
基于多源域迁移学习策略的间歇过程质量预测方法研究;彭闯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》;20220315(第03期);全文 * |
基于高斯过程回归EGA响应曲面法的3D打印参数优化研究;丁静静;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20220415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115510766A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115510766B (zh) | 一种基于高斯过程模型的3d打印质量预测方法及系统 | |
Gatsos et al. | Review on computational modeling of process–microstructure–property relationships in metal additive manufacturing | |
Khan et al. | A comparative study of simulation software for modelling metal casting processes | |
Theillard et al. | A sharp computational method for the simulation of the solidification of binary alloys | |
Han et al. | Topology optimization of continuum structures under hybrid additive-subtractive manufacturing constraints | |
Desmaison et al. | Influence of computational grid and deposit volume on residual stress and distortion prediction accuracy for additive manufacturing modeling | |
Chudasama | Solidification analysis and optimization using pro-cast | |
CN113642855B (zh) | 一种基于知识模型库的汽车铝合金转向节差压铸造质量优化的方法 | |
Grose et al. | Simulation and characterization of nanoparticle thermal conductivity for a microscale selective laser sintering system | |
Pagone et al. | Sustainability assessment of rapid sand mould making using multi-criteria decision-making mapping | |
Sahoo | An approach toward multiscale modeling of direct metal laser sintering process | |
Donghong et al. | Dimensional control of ring-to-ring casting with a data-driven approach during investment casting | |
Grose et al. | Simulation and property characterization of nanoparticle thermal conductivity for a microscale selective laser sintering system | |
Abdullin | New Capabilities of the ProCAST 2017 Software in Simulating Casting Processes | |
Rodríguez-González et al. | Feasibility of calcium sulfate moulds made by inkjet 3D printing for rapid casting of aluminium alloys | |
da Silva-Santos et al. | Nature inspired algorithms for the solution of inverse heat transfer problems applied to distinct unsteady heat flux orientations in cylindrical castings | |
US11507710B2 (en) | System and method for optimization of industrial processes | |
Fu et al. | Numerical simulation and experimental investigation of a thin-wall magnesium alloy casting based on a rapid prototyping core making method | |
Han et al. | Inequality constraint on the maximum genus for 3D structural compliance topology optimization | |
Le et al. | Efficient prediction of thermal history in wire and arc additive manufacturing combining machine learning and numerical simulation | |
Choi et al. | Simulation-based uncertainty quantification for additively manufactured cellular structures | |
Frings et al. | A simplified simulation model for a HPDC die with conformal cooling channels | |
Zhang et al. | Digital twins and additive manufacturing | |
Guan et al. | Three-dimensional modeling of segregation behavior during solidification of a Sn-6 wt.% Pb alloy | |
Williams et al. | Opportunities for Lighter Weight and Lower Total Cost Component Manufacturing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |