CN117295574A

CN117295574A - 物体烧结状态

Info

Publication number: CN117295574A
Application number: CN202180097860.XA
Authority: CN
Inventors: 陈蕾; C·A·洛佩兹德拉马里尔; 甘创; 杨子江; 徐昱; 曾军
Original assignee: Hewlett Packard Development Co LP
Current assignee: Hewlett Packard Development Co LP
Priority date: 2021-05-04
Filing date: 2021-05-04
Publication date: 2023-12-26
Also published as: EP4334063A1; US20240227020A1; WO2022235261A1

Abstract

本文中描述了方法的示例。在一些示例中，方法包括使用物理模拟引擎模拟物体在第一时间的第一烧结状态。在一些示例中，所述方法包括使用机器学习模型基于第一烧结状态预测物体在第二时间的第二烧结状态。在一些示例中，第一时间和第二时间之间的预测增量与模拟增量不同。

Description

物体烧结状态

背景技术

三维(3D)固体部件可以使用增材制造从数字模型生产。增材制造可以用于快速原型设计、模具生成、模具母版生成和短期制造。增材制造涉及构建材料的连续层的施加。这与一些机械加工过程不同，这些机械加工过程通常移除材料来创建最终部件。在一些增材制造技术中，构建材料可以被固化或熔合。

附图说明

图1是图示了用于确定物体烧结状态的方法的示例的流程图；

图2是图示了根据本文中所描述的一些技术的位移和温度的图表的示例的图解；

图3是可以用于确定物体烧结状态的装置的示例的框图；

图4是图示了用于确定物体烧结状态的计算机可读介质的示例的框图；

图5是图示了可以根据本文中所描述的一些技术而被利用的机器学习模型架构的示例的图解；以及

图6是图示了可以根据本文中所描述的技术的一些示例而被利用的机器学习架构的示例的图解。

具体实施方式

增材制造可以用于制造三维(3D)物体。3D打印是增材制造的示例。金属打印(例如，金属结合打印、金属射流熔合等)是3D打印的示例。在一些示例中，金属粉末可以被粘在某些体素处。体素是3D空间中位置的表示(例如，3D空间的组成部分)。例如，体素可以表示作为3D空间的子集的体积。在一些示例中，体素可以布置在3D网格上。例如，体素的形状可以是长方体或矩形棱柱。在一些示例中，3D空间中的体素可以是均匀大小或非均匀大小。体素大小尺寸的示例可以包括25.4毫米(mm)/150≈150点每英寸(dpi)的170微米、50dpi的490微米、2mm、4mm等。术语“体素水平”以及其变型可以指对应于体素大小的分辨率、比例或密度。

本文中所描述的技术的一些示例可以用于增材制造的各种示例。例如，一些示例可以用于金属打印。一些金属打印技术可以是基于粉末的，并且由粉末胶合和/或烧结驱动。本文中所描述的方法的一些示例可以应用于基于区域的粉末床金属打印，诸如结合剂射流、金属射流熔合和/或金属结合打印等。本文中所描述的方法的一些示例可以应用于增材制造，其中，由液滴携带的(一种或多种)试剂(例如，乳胶)用于体素水平粉末结合。

在一些示例中，金属打印可以包括两个阶段。在第一阶段，打印机(例如，打印头、托架、试剂分配器和/或喷嘴等)可以逐层将(一种或多种)试剂(例如，结合剂、胶水、乳胶等)施加到松散的金属粉末，以产生胶合前体(或“绿色”)物体。前体物体是大量金属粉末和粘合剂。在第二阶段，可以对前体部件进行烧结(例如，加热)以产生最终物体。例如，胶合前体物体可以放置在熔炉或烤炉中进行烧结以产生最终物体。烧结可以使金属粉末熔合和/或可以使试剂被烧掉。最终物体是由(一个或多个)制造过程形成的物体。在一些示例中，最终物体可以经历(一个或多个)进一步的制造过程(例如，支撑移除、抛光、组装、涂装、精加工等)。前体物体可以具有最终物体的近似形状。

金属打印的一些示例的两个阶段在控制最终物体的形状(例如，几何形状)方面可能存在挑战。例如，(一种或多种)试剂(例如，胶水、乳胶等)的施加(例如，注射)可以导致前体部件中的孔隙率，这可能显著影响最终物体的形状。在一些示例中，金属粉末熔合(例如，金属颗粒的熔合)可以与逐层打印过程分开，这可以限制对烧结和/或熔合的控制。

在一些示例中，金属烧结可以在金属注射成型(MIM)物体和/或结合剂射流(例如，MetJet)的方法中执行。在一些情况下，金属烧结可以在物体中引入变形和/或改变，取决于前体物体孔隙率，该变形和/或改变从25％到50％变化。引起变形的(一个或多个)因素(例如，粘塑性、烧结压力、屈服面参数、屈服应力和/或重力下垂等)可以被捕获并且应用于形状变形模拟。金属烧结模拟的一些方法可以提供基于第一原理烧结物理学的科学驱动模拟。例如，包括热剖面和/或屈服曲线的因素可以用于模拟由于收缩和/或下垂等所致的物体变形。在一些方法中，金属烧结模拟可以提供对象变形的科学驱动预测和/或对变形的补偿。一些模拟方法可以在体素水平上为各种几何形状(例如，从不太复杂的几何形状到较复杂的几何形状)提供相对高的准确性结果。由于计算复杂性，基于物理学的模拟引擎的一些示例可能需要相对长的时段来完成模拟。例如，取决于物体大小，模拟物体的瞬态和动态烧结可能需要几十分钟到若干小时。在一些示例中，较大的物体大小可以增加模拟运行时间。例如，12.5厘米(cm)的物体可能需要218.4分钟来完成模拟运行。基于物理学的模拟引擎的一些示例可以在模拟中利用相对小的增量(例如，时间段)来管理由烧结物理学引起的非线性。因此，这可以有助于减少模拟时间。

本文中所描述的技术的一些示例可以利用(一个或多个)机器学习模型。机器学习是一种技术，其中，机器学习模型被训练以基于一组示例(例如，数据)执行(一个或多个)任务。训练机器学习模型可以包括确定对应于机器学习模型的结构的权重。人工神经网络是一种由节点、模型层和/或连接构成的机器学习模型。深度学习是一种利用多层的机器学习。深度神经网络是利用深度学习的神经网络。

神经网络的示例包括卷积神经网络(CNN)(例如，基本CNN、反卷积神经网络、初始模块、残差神经网络等)和循环神经网络(RNN)(例如，基本RNN、多层RNN、双向RNN、融合RNN、发条RNN等)。根据本文中所描述的技术的一些示例，可以利用(一个或多个)神经网络的不同深度。

在本文中所描述的技术的一些示例中，深度学习可以用于构建出定量模型，该定量模型可以与模拟方法一起使用，以替换部分中间模拟时段。在一些示例中，深度神经网络可以推断烧结状态。烧结状态是表示烧结过程中物体的状态的数据。例如，烧结状态可以指示烧结过程期间某一时间物体的(一个或多个)特性。在一些示例中，烧结状态可以指示与物体的(一个或多个)体素相关联的(一个或多个)物理值。可以由烧结状态指示的(一个或多个)特性的示例可以包括位移、孔隙率和/或位移改变率等。位移是物体的全部或部分(例如，(一个或多个)体素)的移动量(例如，距离)。例如，位移可以指示物体的部分在烧结期间在一个时间段内(例如，自从烧结过程开始)已经移动的量和/或方向。位移可以被表达为处于体素水平的(一个或多个)位移向量。孔隙率是物体的全部或部分(例如，(一个或多个)体素)的空体积或空闲体积。位移改变率是物体的全部或部分(例如，(一个或多个)体素)的位移改变率(例如，速度)。

预测中跨越的时间段(例如，通过(一个或多个)机器学习模型)可以被称为预测增量。例如，深度神经网络可以基于时间T1的烧结状态(例如，位移)推断时间T2的烧结状态，其中，T1＜T2。模拟中跨越的时间段可以被称为模拟增量。在一些示例中，预测增量(例如，T2-T1)可以大于模拟增量。在一些示例中，T1＝k*dt并且T2＝(k+n)*dt，其中，T1是第一时间(例如，预测开始时间)，T2是第二时间，k是第一时间的时间指数，n表示模拟增量的数量，并且dt表示模拟增量的时间量。在一些示例中，n＞＞1。例如，预测增量可以跨越和/或替换许多模拟增量。

在一些示例中，T2处的烧结状态的预测可以基于T1处的模拟烧结状态。例如，T1处的模拟烧结状态可以作为机器学习模型的输入用于预测T2处的烧结状态。与模拟烧结状态相比，使用机器学习模型预测烧结状态可以更快速地执行。例如，预测T2处的烧结状态可以在少于一秒内执行，这可能比通过模拟确定T2处的烧结状态更快。例如，可以利用相对大量的模拟增量，并且每个模拟增量都可能需要近似一分钟才能完成。利用预测(例如，机器学习、推断法等)来替换一些模拟增量，可以在更短的时间内(例如，更快速)确定烧结状态。例如，利用机器学习(例如，深度学习推断引擎)与模拟相结合可以允许更大的(例如，×10)增量(例如，预测增量)来提高处理速度，同时保持准确性。

在一些示例中，烧结状态预测(例如，从T1到T2推断)可能不是非常准确(例如，可能不如烧结状态模拟准确)。在一些示例中，可以调谐预测的烧结状态以实现准确性目标。例如，物理模拟引擎可以利用迭代调谐过程来实现准确性目标和/或增加T2处预测(例如，推断)烧结状态的准确性。

本文中所描述的技术的一些示例可以在脱机循环中执行。脱机循环是独立于制造(例如，在制造之前)、在没有制造物体的情况下和/或在没有测量(例如，扫描)所制造的物体的情况下执行的过程。

贯穿附图，相同的参考数字可以或可以不指定相似或相同的元件。相似的数字可以或可以不指示相似的元件。当元件在没有参考数字的情况下被提及时，这一般可以指元件，限于或不限于任何特定附图或图。附图不一定是按比例的，并且一些部分的大小可能会被夸大，以更清楚地说明所示的示例。此外，附图提供与描述一致的示例。然而，描述并不限于附图中所提供的示例。

图1是图示了用于确定物体烧结状态的方法100的示例的流程图。方法100和/或方法100的(一个或多个)元素可以由装置(例如，电子设备)执行。例如，方法100可以由结合图3所描述的装置302执行。

装置可以使用物理引擎模拟102物体在第一时间的第一烧结状态。物体可以由物体模型表示和/或可以被计划用于制造。物体模型是物体的几何模型。例如，物体模型可以是表示物体的三维(3D)模型。物体模型的示例包括计算机辅助设计(CAD)模型、网格模型、3D表面等。物体模型可以被表达为一组点、表面、面、顶点等。在一些示例中，装置可以接收来自另一个设备(例如，链接设备、联网设备、可移除存储装置等)接收物体模型或可以生成3D物体模型。

物理引擎是硬件(例如，电路系统)或指令和硬件(例如，具有指令的处理器)的组合，用于模拟(一种或多种)物理现象。在一些示例中，物理引擎可以模拟材料(例如，金属)烧结。例如，物理引擎可以模拟关于物体(例如，物体模型)随时间推移(例如，烧结期间)的物理现象。模拟可以指示变形效果(例如，收缩、下垂等)。在一些示例中，物理引擎可以使用有限元分析(FEA)方法来模拟烧结。

物理引擎的一些示例可以利用时间推进方法。从初始时间T0开始，物理引擎可以模拟和/或处理模拟增量(例如，一段时间、dt等)。在一些示例中，模拟增量可以由所接收的输入指示。例如，装置可以接收来自用户的指示模拟增量的输入。在一些示例中，模拟增量可以随机选择，可以从一定范围中选择和/或可以以经验为主地选择。

在一些示例中，物理模拟引擎可以利用试验位移。试验位移是对烧结期间可能发生的位移的估计。试验位移可以由机器学习模型和/或用另一函数(例如，随机选择和/或位移估计函数等)产生。在一些示例中，试验位移可以标示D0。试验位移(例如，试验位移场)可能触发烧结过程中所涉及的力的不平衡。在一些示例中，物理模拟引擎可以包括和/或利用迭代优化技术来迭代地重新塑造由D0初始化的位移，使得实现力平衡。在一些示例中，物理模拟引擎可以产生位移场(例如，可以标示为De的平衡位移场)作为第一时间(例如，T1、T0+dt)处的第一烧结状态。

装置可以使用机器学习模型基于第一烧结状态预测104物体在第二时间的第二烧结状态，其中，第一时间(例如，T1)和第二时间(例如，T2)之间的预测增量与模拟增量(例如，dt)不同。例如，预测增量可以与模拟增量不相等、大于模拟增量、小于模拟增量、与模拟增量不匹配等。如本文中所描述的，例如，预测增量(例如，T2-T1)可以比模拟增量(例如，dt)大(例如，较长的时间段)。例如，预测增量可以比模拟增量跨越更大的时间段。在一些示例中，预测增量可以少于(例如，小于)模拟增量。在一些示例中，预测增量和模拟增量之间的差异可以触发力的不平衡。物理模拟引擎可以用于迭代地将第二烧结状态(例如，第二D0)重新塑造为平衡状态(例如，平衡位移，De)，其中，实现了平衡。

在一些示例中，在从机器学习模型中获得预测输出(例如，预测烧结状态)之后，装置可以将预测输出反馈回到物理引擎。例如，物理引擎可以利用预测输出作为可以触发力不平衡的(一个或多个)试验位移来迭代地重新塑造试验位移(例如，D0)。如本文中所使用的，可以实现力平衡，并且物理模拟引擎可以用于计算平衡位移场(例如，De)。在一些示例中，方法100可以包括重复(例如，递归地执行)烧结状态模拟和烧结状态预测(例如，在102和104之间迭代)。

机器学习模型可以使用来自(一个或多个)训练模拟的训练数据进行训练。例如，机器学习模型可以利用第一训练时间的第一训练烧结状态(例如，位移、位移改变率等)作为输入，并且利用第二训练时间的第二训练烧结状态(例如，位移、位移改变率等)作为训练期间的基础真值。可以根据本文中所描述的技术而被利用的机器学习模型架构的示例是关于图5和图6给出的。例如，机器学习模型可以是(一个或多个)神经网络、(一个或多个)CNN等。在一些示例中，机器学习架构可以包括用于预测相应平面烧结状态(例如，x-y平面烧结状态、y-z平面烧结状态和x-z平面烧结状态)的相应机器学习模型，这些平面烧结状态可以融合以产生3D烧结状态。例如，装置可以利用关于图6所描述的平面机器学习模型来预测104烧结状态。

在一些示例中，可以利用多个机器学习模型。例如，可以针对相应的烧结阶段训练相应的机器学习模型。烧结阶段是烧结过程期间的时段。例如，烧结过程可以包括多个烧结阶段(例如，2、3、4个等烧结阶段)。在一些示例中，每个烧结阶段都可以对应于不同的情况(例如，不同的温度、不同的加热模式、烧结过程期间的不同时段等)。例如，不同温度和/或烧结阶段的烧结动力学可以具有不同的变形速率。多个机器学习模型(例如，深度学习模型)可以被训练以适应不同的烧结阶段。在一些示例中，机器学习模型在部署时可以具有某个时间的固定预测增量(例如，时间TA到时间TB的预测增量)。固定预测增量可能对定义的烧结温度时间表有用。

在一些示例中，每个机器学习模型都可以使用对应的烧结阶段数据进行训练。例如，相应的机器学习模型可以用不同的训练数据进行训练。例如，机器学习模型可以用来自训练模拟的第一阶段的数据进行训练，并且第二机器学习模型可以用来自训练模拟(和/或另一个训练模拟)的第二阶段的数据进行训练。在一些示例中，对应于不同的烧结阶段的机器学习模型可以具有相似或相同的架构和/或可以用不同的训练数据进行训练。

在一些示例中，机器学习模型可以被训练以在第一烧结阶段进行(一次或多次)预测，并且第二机器学习模型可以被训练以在第二烧结阶段进行(一次或多次)预测。例如，机器学习模型可以用于在第一烧结阶段预测第二烧结状态。方法100可以包括在第二烧结阶段使用第二机器学习模型预测物体的第三烧结状态(例如，后续烧结状态)。烧结阶段的示例是关于图2给出的。

在一些示例中，在一些方法中，模拟102和/或预测104烧结阶段可以在体素空间中执行。体素空间是多个体素。在一些示例中，体素空间可以表示构建体积和/或烧结体积。构建体积是用于物体制造的3D空间。例如，构建体积可以表示长方体空间，其中，装置(例如，计算机、3D打印机等)可以将材料(例如，金属粉末、金属颗粒等)和(一种或多种)试剂(例如，胶水、乳胶等)沉积，以制造物体(例如，前体物体)。在一些示例中，在制造期间，装置可以逐层地用材料和试剂逐步填充构建体积。烧结体积可以表示用于物体烧结的3D空间(例如，烤炉)。例如，前体物体可以放置在烧结体积中进行烧结。在一些示例中，体素空间可以以坐标表达。例如，体素空间中的位置可以以三个坐标表达：x(例如，宽度)、y(例如，长度)和z(例如，高度)。

在一些示例中，烧结状态可以指示体素空间中的位移。例如，第二烧结状态可以以体素单元和/或坐标指示位移(例如，(一个或多个)位移向量、(一个或多个)位移场等)。在一些示例中，第二烧结状态可以指示物体在第二时间的(一个或多个)点的位置，其中，物体在第二时间的(一个或多个)点对应于物体在第一时间(和/或在第一时间之前的时间)的(一个或多个)点。位移向量可以指示物体的点随时间推移的移动距离和/或方向。例如，位移向量可以被确定为点随时间推移的位置(例如，在体素空间中)之间的差(例如，减法)。

在一些示例中，烧结状态可以指示位移改变率(例如，位移“速度”)。例如，机器学习模型可以产生指示位移改变率的烧结状态。例如，机器学习模型(例如，用于推断的深度学习模型)可以将增量(例如，预测增量)作为输入(例如，动态输入)，并且可以与不同的温度控制曲线一起工作。在一些示例中，多个机器学习模型(例如，基于速度的深度学习模型)可以被训练，以捕获不同的烧结动态。

在一些示例中，方法100可以包括使用物理模拟引擎调谐烧结状态(例如，第二烧结状态)。例如，机器学习模型可以预测(例如，推断)第二烧结状态。预测的烧结状态可能不如模拟的烧结状态准确。物理模拟引擎可以执行迭代调谐过程，以调谐第二烧结状态，这可以提高烧结状态准确性。在一些示例中，预测的烧结状态(例如，第二烧结状态)可以指示用于模拟的试验位移和/或试验位移场(例如，D0)。在一些示例中，试验位移和/或试验位移场(例如，D0)可以相对接近平衡位移场(例如，De)。这可以允许利用大于模拟增量的预测增量。例如，如果D0相对接近De，则可以利用迭代调谐高效地将(一个或多个)位移场汇聚到De。这可能有助于实现更快的计算和/或提供与物理模拟引擎的烧结状态准确性相似的烧结状态准确性。

在一些示例中，方法100可以包括确定和/或选择机器学习模型。例如，装置可以确定何时在不同阶段的机器学习模型之间切换。在一些示例中，机器学习模型之间的切换可以基于设置时间和/或设置温度。例如，装置可以在模拟时间600分钟内和/或在模拟温度145摄氏度(℃)下从第一阶段的机器学习模型切换到第二阶段的第二机器学习模型。在一些示例中，可以利用其他时间和/或温度。

在一些示例中，方法100可以包括使用过渡区域确定和/或选择机器学习模型。过渡区域是烧结过程中可能发生机器学习模型切换的区域(例如，就时间和/或(一个或多个)温度范围而言)。例如，对于从第一烧结阶段到第二烧结阶段的过渡，第一过渡区域可以在100℃-200℃之间。对于从第二烧结阶段到第三烧结状态的过渡，第二过渡区域可以在1000-1100℃之间。例如，装置可以检查当前模拟时间和/或模拟温度是否处于烧结阶段S_ind(例如，过渡区域之外的烧结阶段)。如果当前模拟时间和/或模拟温度处于烧结阶段S_ind(其中，例如，“ind”标示烧结阶段和/或机器学习模型的指数)，则装置可以利用对应于阶段S_ind的机器学习模型M_ind。如果当前模拟时间和/或模拟温度处于过渡区域R_ind，则装置可以执行两个机器学习模型M_ind和M_ind+1。装置可以确定对应于机器学习模型的残余损失。残余损失指示预测烧结状态和最终烧结状态(例如，调谐烧结状态、调谐位移等)之间的差或误差。装置可以选择对应于较少的残余损失的机器学习模型。所选择的机器学习模型可以用于过渡区域。在一些示例中，多个机器学习模型选择可以在过渡区域中实行。例如，装置可以在M_ind和M_ind+1之间选择。一旦已经选择了M_ind+1，M_ind+1就可以用于过渡区域的剩余部分和/或过渡区域之后的烧结阶段直到下一个过渡或过渡区域。

在一些示例中，装置可以使用机器学习模型预测过渡区域中的第一候选烧结状态。装置可以使用第二机器学习模型预测过渡区域中的第二候选烧结状态。装置可以基于第一候选烧结状态确定第一残余损失并且基于第二候选烧结状态确定第二残余损失。装置可以基于第一残余损失和第二残余损失选择机器学习模型或第二机器学习模型。在一些示例中，确定第一残余损失可以包括确定第一候选烧结状态和调谐烧结状态的第一差。确定第二残余损失可以包括确定第二候选烧结状态和调谐烧结状态的第二差。选择机器学习模型或第二机器学习模型可以包括将第一残余损失与第二残余损失进行比较(例如，确定哪个数量更少和/或更多)。装置可以选择与较少的残余损失相关联的机器学习模型。

在一些示例中，装置可以利用选择机器学习模型来选择烧结阶段的机器学习模型(例如，选择机器学习模型、第二机器学习模型、第三机器学习模型等)。例如，方法100可以包括基于选择机器学习模型选择机器学习模型或第二机器学习模型。在一些示例中，选择机器学习模型可以检测烧结阶段。例如，选择机器学习模型可以是被训练以学习(一个或多个)烧结阶段的CNN。例如，机器学习模型选择可以基于机器学习模型进行管理，该机器学习模型被训练以对(一个或多个)烧结阶段进行分类。在一些示例中，选择机器学习模型可以利用时间、温度和/或其他相关信息作为每个增量的输入。选择机器学习模型可以用目标烧结阶段类进行训练。例如，在推断时，利用调用时间和/或温度，经训练的选择机器学习模型可以输出对应的烧结阶段指数(例如，ind)，该指数可以用于选择对应的机器学习模型(例如，深度学习模型)。

在一些示例中，方法100的(一个或多个)元素可以重复出现，可以重复和/或可以迭代。例如，装置可以模拟(一个或多个)后续烧结状态，和/或装置可以预测(一个或多个)后续烧结状态。迭代是重复过程或循环的实例。例如，迭代可以包括可以迭代和/或重复出现的一系列操作。例如，迭代可以是循环中的一系列执行指令。

在一些示例中，方法100的(一个或多个)操作、(一个或多个)功能和/或(一个或多个)元素可以省略和/或组合。在一些示例中，方法100可以包括关于图2、图3、图4、图5和/或图6所描述的(一个或多个)操作、(一个或多个)功能和/或(一个或多个)元素中的一个、一些或全部。

图2是图示了根据本文中所描述的一些技术的位移和温度的图表201的示例的图解。例如，图表201图示了对应于形状变形模拟中的最大变形点处的位移的x轴位移217、y轴位移219和z轴位移221的示例。x轴位移217、y轴位移219和z轴位移221以随时间(以分钟为单位)211(例如，模拟时间)推移的位移(以毫米(mm)为单位)209图示。烧结过程温度215以随时间(以分钟为单位)211(例如，模拟时间)推移的温度(以℃为单位)213图示。

如图表201中所图示，烧结过程可以包括应用变化的温度使物体烧结。物体在烧结过程期间可能经历变形。

图2中图示了烧结阶段的示例。例如，烧结过程可以包括第一烧结阶段203、第二烧结阶段205和第三烧结阶段207(例如，平衡阶段)。第一烧结阶段203可以具有相关联的时间和/或温度(例如，470-600分钟)，第二烧结阶段205可以具有相关联的时间和/或温度(例如，600-785分钟)，并且第三烧结阶段可以具有相关联的时间和/或温度(例如，785-900分钟)。在一些示例中，可以利用更多或更少的烧结阶段。在一些示例中，相应的机器学习模型可以针对每个烧结阶段进行训练。例如，机器学习模型可以针对第一烧结阶段203进行训练，第二机器学习模型可以针对第二烧结阶段205进行训练，并且第三机器学习模型可以针对第三烧结阶段207进行训练。例如，模拟过程可以分成三个烧结阶段，其中，每个烧结阶段都可以具有基于烧结温度分布、物体几何形状和/或材料的相应的机器学习模型(例如，深度学习模型)。

在一些示例中，机器学习模型可以基于阶段(例如，基于阶段数和/或温度)来选择。例如，如果模拟时间在该阶段的时间范围内和/或如果模拟温度在该阶段的温度范围内，则装置可以选择对应于该阶段的机器学习模型。

在一些示例中，由于每个烧结过程的温度分布、变化的物体几何形状等的变化，对应于阶段的精确时间和/或温度点可能无法提供最佳的切换触发。在一些示例中，可以利用(一个或多个)过渡区域。图2图示了第一过渡区域223(用于从第一烧结阶段203到第二烧结阶段205的过渡)和第二过渡区域225(用于从第二烧结阶段205到第三烧结阶段207的过渡)的示例。例如，装置可以利用机器学习模型来预测第一烧结阶段203(例如，在第一过渡区域223之外)的烧结状态。当在第一过渡区域223中时，装置可以利用机器学习模型来预测第一候选烧结状态，并且利用第二机器学习模型来预测第二候选烧结状态。装置可以基于第一候选烧结状态和/或第二候选烧结状态确定(一个或多个)调谐烧结状态。装置可以确定第一候选烧结状态和调谐烧结状态之间的第一残余损失。装置可以确定第二候选烧结状态和调谐烧结状态之间的第二残余损失。装置可以选择与较少的残余损失相关联的机器学习模型。例如，一旦第二机器学习模型产生具有较少残余损失的第二候选烧结状态，装置就可以切换到第二机器学习模型和/或可以在第二烧结阶段205期间利用第二机器学习模型，直到第二过渡区域225。在第二过渡区域中，装置可以类似地执行第二机器学习模型和第三机器学习模型，以选择与较少的残余损失相关联的机器学习模型。第三机器学习模型可以在第三烧结阶段207的剩余部分中利用。

图3是可以用于确定物体烧结状态的装置302的示例的框图。装置302可以是计算设备，诸如个人计算机、服务器计算机、打印机、3D打印机、智能手机、平板计算机等。装置302可以包括和/或可以耦合到处理器304和/或存储器306。存储器306可以与处理器304进行电子通信。例如，处理器304可以写入存储器306和/或从存储器306读取。在一些示例中，装置302可以与增材制造设备(例如，3D打印设备)进行通信(例如，耦合到增材制造设备，与增材制造设备有通信链接)。在一些示例中，装置302可以是3D打印设备的示例。在不脱离本公开的范围的情况下，装置302可以包括附加组件(未示出)和/或本文中所描述的一些组件可以被移除和/或修改。

处理器304可以是中央处理单元(CPU)、基于半导体的微处理器、图形处理单元(GPU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)和/或适用于检索和执行存储器306上所存储的指令的其他硬件设备中的任何一个。处理器304可以获取、解码和/或执行存储器306中所存储的指令(例如，预测指令312和/或选择指令314)。在一些示例中，处理器304可以包括(一个或多个)电子电路，所述(一个或多个)电子电路包括用于执行指令(例如，预测指令312、调谐指令327和/或选择指令314)的(一个或多个)功能的电子组件。在一些示例中，处理器304可以执行结合图1-图6中的一个、一些或全部所描述的功能、操作、元素、方法等中的一个、一些或全部。

存储器306可以是包含或存储电子信息(例如，指令和/或数据)的任何电子、磁性、光学和/或其他物理存储设备。因此，例如，存储器306可以是随机存取存储器(RAM)、电可擦除可编程只读存储器(EEPROM)、存储设备、光盘和/或诸如此类。在一些实施方式中，存储器306可以是非暂时性有形机器可读存储介质，其中，术语“非暂时性”不涵盖暂时性传播信号。

在一些示例中，装置302还可以包括数据存储库(未示出)，处理器304可以将信息存储在该数据存储库上。数据存储库可以是易失性和/或非易失性存储器，诸如动态随机存取存储器(DRAM)、EEPROM、磁阻式随机存取存储器(MRAM)、相变RAM(PCRAM)、忆阻器、闪速存储器以及诸如此类。在一些示例中，存储器306可以包括在数据存储库中。在一些示例中，存储器306可以与数据存储库分开。在一些方法中，数据存储库可以存储与存储器306所存储的指令和/或数据相似的指令和/或数据。例如，数据存储库可以是非易失性存储器，并且存储器306可以是易失性存储器。

在一些示例中，装置302可以包括输入/输出接口(未示出)，通过该接口，处理器304可以与(一个或多个)外部设备(未示出)进行通信，例如，以接收和存储与(一个或多个)物体有关的信息，针对所述信息，(一个或多个)烧结状态可以被确定。输入/输出接口可以包括硬件和/或机器可读指令，以使得处理器304能够与(一个或多个)外部设备进行通信。输入/输出接口可以实现到(一个或多个)外部设备的有线或无线连接。在一些示例中，输入/输出接口可以进一步包括网络接口卡和/或还可以包括硬件和/或机器可读指令，以使得处理器304能够与各种输入和/或输出设备进行通信，所述输入和/或输出设备诸如键盘、鼠标、显示器、另一个装置、电子设备、计算设备等，通过这些设备，用户可以将指令输入到装置302中。在一些示例中，装置302可以接收来自(一个或多个)外部设备(例如，计算机、可移除存储装置、网络设备等)的3D模型数据308。

在一些示例中，存储器306可以存储3D模型数据308。3D模型数据308可以由装置302生成和/或从另一个设备接收。3D模型数据308的一些示例包括(一个或多个)3D制造格式(3MF)文件、3D计算机辅助设计(CAD)图像、物体形状数据、网格数据、几何形状数据等。3D模型数据308可以指示(一个或多个)物体的形状。在一些示例中，3D模型数据308可以指示构建体积的包装，或装置302可以将由3D模型数据308表示的3D物体模型布置到构建体积的包装中。在一些示例中，3D模型数据308可以用于获得(一个或多个)3D模型的切片。例如，装置302可以对(一个或多个)模型进行切片以产生切片，这些切片可以存储在存储器306中。在一些示例中，3D模型数据308可以用于获得(一个或多个)3D模型的(一个或多个)代理图。例如，装置302可以利用切片来确定代理图(例如，其中要应用(一个或多个)代理的体素或像素)，这些代理图可以存储在存储器306中。

在一些示例中，存储器306可以存储位移数据310。位移数据310可以指示位移(例如，中间位移)。在一些示例中，位移数据310可以由机器学习模型(例如，来自深度学习模型预测的D0)和/或物理模拟引擎(例如，由物理模拟引擎调谐的物理模拟引擎输出De等)产生。在一些示例中，位移数据310可以作为图像和/或(一个或多个)可视化文件被存储。在一些示例中，位移数据310可以与3D模型数据308分开(例如，独立于3D模型数据308)存储。

存储器306可以存储预测指令312。在一些示例中，处理器304可以执行预测指令312，以使用第一机器学习模型预测物体的第一烧结状态。在一些示例中，这可以如关于图1和/或图2所描述的那样完成。例如，处理器304可以推断由3D模型数据308表示的物体的烧结状态(例如，位移、位移改变率等)。在一些示例中，第一机器学习模型可以使用训练数据进行训练，该训练数据包括在开始时间的模拟输入烧结状态(例如，由第一模拟时间的模拟产生的烧结状态)和在目标时间的模拟输出烧结状态(例如，由第二模拟时间的模拟产生的烧结状态)。例如，模拟输入烧结状态可以对应于开始时间，并且模拟输出烧结状态可以对应于目标时间。在一些示例中，模拟输出烧结状态可以是用于训练第一机器学习模型的基础真值。在推断时，经训练的第一机器学习模型可以使用某一时间的模拟烧结状态来预测稍后的时间的模拟烧结状态。

在一些示例中，处理器304可以执行预测指令312，以使用第二机器学习模型预测物体的第二烧结状态。在一些示例中，这可以如关于图1和/或图2所描述的那样完成。第一烧结状态和第二烧结状态可以对应于相同的预测增量。在一些示例中，第一机器学习模型和/或第二机器学习模型可以利用与关于图5所描述的机器学习模型架构526和/或关于图6所描述的机器学习模型架构658相似的架构。

在一些示例中，处理器304可以执行调谐指令327，以使用物理模拟引擎调谐第一烧结状态和/或第二烧结状态，从而产生调谐烧结状态。在一些示例中，这可以如关于图1和/或图2所描述的那样完成。

存储器306可以存储选择指令314。在一些示例中，处理器304可以执行选择指令314，以基于第一烧结状态、第二烧结状态和调谐烧结状态选择第一机器学习模型或第二机器学习模型。在一些示例中，这可以如关于图1和/或图2所描述的那样完成。例如，装置302(例如，处理器304)可以基于第一烧结状态和调谐烧结状态确定第一残余损失，并且可以基于第二烧结状态和调谐烧结状态确定第二残余损失。装置302(例如，处理器304)可以将残余损失进行比较并且选择与较小的残余损失相关联的机器学习模型。例如，装置302(例如，处理器304)可以使用机器学习模型，该机器学习模型产生更接近调谐烧结状态的烧结状态(例如，第一烧结状态或第二烧结状态)。

存储器306可以存储操作指令318。在一些示例中，处理器304可以执行操作指令318，以基于烧结状态(例如，调谐烧结状态)执行操作。例如，装置302可以在显示器上呈现烧结状态和/或与烧结状态相关联的(一个或多个)值(例如，最大位移、位移方向、具有示出物体模型上的位移程度的颜色编码的物体模型的图像等)，可以将烧结状态和/或相关联的数据存储在存储器306中和/或可以将烧结状态和/或相关联的数据发送到另(一个或多个)设备。在一些示例中，装置302可以确定烧结状态(例如，最后或最终烧结状态)是否在公差内(例如，在目标位移量内)。在一些示例中，如果烧结状态在公差内，则装置302可以基于物体模型打印前体物体。例如，装置302可以基于指示结合剂(例如，胶水)的放置的物体模型的二维(2D)图或切片打印前体物体。在一些示例中，装置302(例如，处理器304)可以基于烧结状态(例如，一系列烧结状态和/或最终烧结状态)确定补偿。例如，装置302(例如，处理器304)可以调整物体模型以补偿由(一个或多个)烧结状态指示的变形(例如，下垂)。例如，物体模型可以在与(一个或多个)烧结状态所指示的(一个或多个)位移相反的(一个或多个)方向上进行调整，以减少变形。

图4是图示了用于确定物体烧结状态的计算机可读介质420的示例的框图。计算机可读介质420可以是非暂时性有形计算机可读介质420。例如，计算机可读介质420可以是RAM、EEPROM、存储设备、光盘以及诸如此类。在一些示例中，计算机可读介质420可以是易失性和/或非易失性存储器，诸如DRAM、EEPROM、MRAM、PCRAM、忆阻器、闪速存储器和/或诸如此类。在一些实施方式中，结合图3所描述的存储器306可以是结合图4所描述的计算机可读介质420的示例。

计算机可读介质420可以包括代码(例如，数据和/或指令、可执行代码等)。例如，计算机可读介质420可以包括3D模型数据429、预测指令422和/或融合指令424。

在一些示例中，计算机可读介质420可以存储3D模型数据429。3D模型数据429的一些示例包括3D CAD文件、3D网格等。3D模型数据429可以指示(一个或多个)3D物体(例如，(一个或多个)物体模型)的形状。

在一些示例中，预测指令422是使处理器使用第一平面机器学习模型预测第一平面烧结状态的代码。例如，第一平面机器学习模型可以是x-y机器学习模型。x-y机器学习模型可以被训练以预测x-y平面中的烧结状态。

在一些示例中，预测指令422是使处理器使用第二平面机器学习模型预测第二平面烧结状态的代码。例如，第二平面机器学习模型可以是y-z机器学习模型。y-z机器学习模型可以被训练以预测y-z平面中的烧结状态。

在一些示例中，预测指令422是使处理器使用第三平面机器学习模型预测第三平面烧结状态的代码。例如，第三平面机器学习模型可以是x-z机器学习模型。x-z机器学习模型可以被训练以预测x-z平面中的烧结状态。

在一些示例中，融合指令424是使处理器将第一平面烧结状态、第二平面烧结状态和第三平面烧结状态融合以产生3D烧结状态的代码。例如，第一平面烧结状态、第二平面烧结状态和第三平面烧结状态可以融合。例如，来自第一平面烧结状态、第二平面烧结状态和第三平面烧结状态的信息可以组合，以产生跨x维度、y维度和z维度的烧结状态。在一些示例中，融合指令424可以是基于融合网络(例如，被训练以融合第一平面烧结状态、第二平面烧结状态和第三平面烧结状态的神经网络)。用于预测x-y烧结状态、y-z烧结状态和x-z烧结状态(例如，融合x-y烧结状态、y-z烧结状态和x-z烧结状态以产生3D烧结状态)的架构的示例是关于图6给出的。

图5是图示了可以根据本文中所描述的一些技术而被利用的机器学习模型架构526的示例的图解。在一些示例中，方法100可以利用架构526来预测(一个或多个)烧结状态。在一些示例中，装置302可以利用(例如，处理器304可以执行)架构526来预测烧结状态。在一些示例中，机器学习模型架构536可以包括包裹机制、卷积神经网络和/或空间变换器层。

架构526可以包括输入层528、卷积层、池化层、差场确定532和包裹层544。在图5中，架构将层副本536用于连结，执行最大池化538(例如，2×2最大池化)，执行向上卷积540并且执行卷积542(例如，3×3卷积)。在该示例中，输入层528可以采用尺寸为192×192×3的输入。在一些示例中，输入可以在第一时间(例如，t(m-n))，其中，t是时间，m是第二时间或目标时间(例如，t(m))的增量指数，并且n是增量的数量。输入可以是位移。例如，位移可以被表示为3通道图像，其中，每个颜色通道都表示相应轴(例如，x、y和z)上的位移。图5图示了可以利用的大小和/或尺寸的一些示例。在一些示例中，可以利用其他大小(例如，层尺寸和/或操作尺寸)。例如，可以利用不同的架构。在一些示例中，可以调整编码和解码阶段的数量和/或可以调整每个编码和/或解码阶段的特征图的数量，其中，连结层尺寸是匹配的。

在一些示例中，架构526可以用开始时间的模拟烧结状态进行训练，以预测目标时间的对应层烧结状态(例如，位移值)，其中，目标时间模拟输出数据可以用作基础真值。从物理域的角度来看，金属烧结可以是物理过程，其中，每个金属颗粒在所涉及的各种力的作用下都受到相邻颗粒的影响，从而导致最终物体变形。机器学习模型(例如，CNN)可以用于提取图像的局部特征和高级特征，学习滤波矩阵和连接权重，并且预测输出特征映射。一些机器学习模型可以通过传递输入和收缩部分特征层(例如，架构526的编码器部分530)，与扩展部分特征层(例如，架构526的解码器部分531)连结并且确保输入和编码学习的特征用于最终预测来保持输入图像结构完整性。例如，结构完整性保持可能有助于保持模拟数据的原始几何信息。

在图5中所图示的示例中，架构526预测差场(例如，位移值差、开始时间层变形和预测的目标时间层变形之间的差等)。可以利用包裹层544，并且可以附加输入层528以产生预测烧结状态534。在一些示例中，预测烧结状态534可以在第二时间(例如，t(k))。在一些示例中，包裹层544可以是卷积层或另一个结构。在图5的示例中，可以利用空间变换器层。

在一些示例中，训练目标函数可以用于训练本文中所描述的(一个或多个)机器学习模型。在一些示例中，相似性损失(例如，L_sim)可以用于训练机器学习模型，以根据等式(1)减少(例如，最小化)基础真值(例如，I^G)和预测位移图像(例如，I^P)之间的每个像素的差，其中，h标示图像“高度”或像素行数，i是指数(例如，像素行数)，w标识图像“宽度”或像素列数，并且j是指数(例如，像素列数)。

在一些示例中，I^G和/或I^P可以表达为一维位移的(一个或多个)标量或包括(一个或多个)3D(例如，x、y、z)位移值的向量。在一些示例中，位移向量可以表示体素水平物理属性。在一些示例中，为了测量和/或表示每个体素的定量位移向量(例如，在第一时间和第二时间)，可以以一定高度(例如，z高度)对物体进行切片。每个切片都可以将体素位移表示为对应于三维(例如，x、y和z)位移的值(例如，u、v和w)。

在一些示例中，可以使用梯度损失(例如，L_梯度)(除了一些方法中的相似性损失之外)。由于图像梯度可以用于从图像中提取信息(例如，在给定方向(x方向或y方向)上的边缘或强度改变)，因此梯度损失可以用于强制保持几何形状。梯度损失可以如等式(2)中给出的那样表达。

在等式(2)中，dx^G标示x方向上的基础真值梯度，dx^P是x方向上的预测梯度，dy^G标示y方向上的基础真值梯度，并且dy^P是y方向上的预测梯度。

在一些示例中，总体目标函数可以是相似性损失和梯度损失的加权组合。总体目标函数(例如，L)可以根据等式(3)进行表达。

L＝L_sim+λL_梯度

(3)在等式(3)中，λ是加权值。在一些示例中，本文中所描述的(一个或多个)机器学习模型可以使用相似性损失、梯度损失和/或总体损失进行训练。

图6是图示了可以根据本文中所描述的技术的一些示例而被利用的机器学习架构658的示例的图解。图6中的架构658包括第一平面机器学习模型652、第二平面机器学习模型654和第三平面机器学习模型656。第一平面机器学习模型652可以在x-y平面上进行训练，第二平面机器学习模型654可以在y-z平面上进行训练，并且第三平面机器学习模型656可以在x-z平面上进行训练。平面机器学习模型可以预测相应平面中的变形。例如，每个平面机器学习模型都可以对3D数据的不同平面上的每个体素进行2D位移预测。在一些示例中，每个平面机器学习模型都可以具有与关于图5所描述的架构526或另一个架构相似的架构。

第一平面机器学习模型652可以利用x-y输入646。第二平面机器学习模型654可以利用y-z输入648。第三平面机器学习模型656可以利用x-z输入650。预测结果659可以被馈送给融合网络660。在一些示例中，融合网络660可以是多层感知器(MLP)层网络或另一个模型。融合网络的输出662可以是3D烧结状态(例如，三维空间中的位移)。

在一些示例中，用于训练融合网络660的损失函数可以被定义为3D位移误差的范数的平方：其中，/>标示预测位移，并且/>标示基础真值的位移。融合网络660和平面机器学习模型(例如，2D变形预测器)可以分开训练。

关于图6所描述的架构658可以捕获每个平面(例如，所有的x、y和z维度)的几何信息。融合网络660可以学习组合维度信息，从而保持跨空间维度的完整性。

在一些示例中，关于图6所描述的机器学习模型架构658可以用于关于图1、图2、图3和/或图4所描述的(一个或多个)机器学习模型。在一些示例中，可以根据本文中所描述的技术利用其他机器学习模型架构。例如，在一些示例中，可以利用变分自动编码器模型架构。

本文中所描述的技术的一些示例可以将机器学习模型(例如，深度学习推断引擎)集成为基于物理学的模拟引擎内部的组件，以在速度和/或准确性提高的情况下预测金属烧结变形。在一些示例中，机器学习模型(例如，(一个或多个)深度学习模型和/或网络架构)可以学习局部材料属性组成和/或基于学习到的局部和/或全局材料属性组成预测物理场，诸如定义增量处的位移向量。在一些示例中，机器学习模型(例如，深度学习推断引擎)可以集成为时间推进模拟的部分。

在一些示例中，可以利用预测位移改变率(例如，位移“速度”)的机器学习模型。例如，可以训练和/或利用捕获不同的烧结动态的多个速度模型。

在一些示例中，速度模型可以采用时段DT的输入。速度模型可以允许预测变化DT的位移。在时间T0，装置可以触发速度模型生成D0。可以利用(一种或多种)方法来建立DT。

在一些方法中，虽然物理模拟引擎是随时间推进的，但是物理模拟引擎可以生成(DT、N)对的时间序列。DT是所使用的时段，并且N是利用D0汇聚到De的迭代次数。在一些示例中，DT可以在有限N的约束下增加(例如，最大化)。机器学习模型(例如，时间序列回归模型)可以基于历史进行开发。机器学习模型可以用于预测DT与N，作为时间T0的权衡，这可能导致选择DT。

在一些示例中，可以使用一些使用(max(D0)、N)对的方法。机器学习模型(例如，时间序列回归模型)可以被训练以允许预测max(D0)与N，作为时间T0的权衡，这可能导致选择max(D0)。取决于速度模型，可以计算DT。

在一些示例中，装置可以并行部署表示不同烧结动态的不同机器学习模型。第一汇聚结果可以产生De。与其他机器学习模型的其他试验可以终止。在一些示例中，如果在时间阈值内(例如，在一定数量的迭代内、在实际时间量内、在2分钟内，等等)没有达到汇聚，则并行试验(例如，所有并行试验)可以终止。在这种情况下，可以减小时段DT(例如，达一半或另一个比例)，并且可以再次尝试机器学习模型(例如，并行试验)。

虽然本文中描述了技术的各种示例，但是技术并不限于这些示例。本文中所描述的示例的变型可以在本公开的范围内实现。例如，本文中所描述的示例的操作、功能、方面或元素可以省略或组合。

Claims

1.一种方法，所述方法包括：

使用物理模拟引擎模拟物体在第一时间的第一烧结状态；以及

使用机器学习模型基于第一烧结状态预测物体在第二时间的第二烧结状态，其中，第一时间和第二时间之间的预测增量与模拟增量不同。

2.根据权利要求1所述的方法，其中，相应的机器学习模型是针对相应的烧结阶段进行训练的。

3.根据权利要求2所述的方法，其中，所述机器学习模型用于预测第一烧结阶段的第二烧结状态，以及其中，所述方法进一步包括使用第二机器学习模型预测物体在第二烧结阶段的第三烧结状态。

4.根据权利要求2所述的方法，其中，所述相应的机器学习模型是用不同的训练数据进行训练的。

5.根据权利要求1所述的方法，其中，所述第二烧结状态指示体素空间中的位移。

6.根据权利要求1所述的方法，其中，所述第二烧结状态指示位移改变率。

7.根据权利要求1所述的方法，进一步包括基于选择机器学习模型选择机器学习模型或第二机器学习模型。

8.根据权利要求1所述的方法，进一步包括：

使用机器学习模型预测过渡区域中的第一候选烧结状态；

使用第二机器学习模型预测过渡区域中的第二候选烧结状态；

基于第一候选烧结状态确定第一残余损失并且基于第二候选烧结状态确定第二残余损失；以及

基于第一残余损失和第二残余损失选择机器学习模型或第二机器学习模型。

9.根据权利要求8所述的方法，其中：

确定第一残余损失包括确定第一候选烧结状态和调谐烧结状态之间的第一差；

确定第二残余损失包括确定第二候选烧结状态和调谐烧结状态之间的第二差；以及

选择机器学习模型或第二机器学习模型包括将第一残余损失与第二残余损失进行比较。

10.一种装置，包括：

存储器；

处理器，其与存储器进行电子通信，其中，所述处理器用于：

使用第一机器学习模型预测物体的第一烧结状态；

使用第二机器学习模型预测物体的第二烧结状态；以及

基于第一烧结状态、第二烧结状态和调谐烧结状态选择第一机器学习模型或第二机器学习模型。

11.根据权利要求10所述的装置，其中，所述处理器用于使用物理模拟引擎调谐第一烧结状态或第二烧结状态，以产生调谐烧结状态。

12.根据权利要求10所述的装置，其中，所述第一机器学习模型是使用训练数据进行训练的，所述训练数据包括在开始时间的模拟输入烧结状态和在目标时间的模拟输出烧结状态。

13.一种存储可执行代码的非暂时性有形计算机可读介质，包括：

用于使处理器使用第一平面机器学习模型预测第一平面烧结状态的代码；

用于使处理器使用第二平面机器学习模型预测第二平面烧结状态的代码；

用于使处理器使用第三平面机器学习模型预测第三平面烧结状态的代码；以及

用于使处理器融合第一平面烧结状态、第二平面烧结状态和第三平面烧结状态以产生三维(3D)烧结状态的代码。

14.根据权利要求13所述的计算机可读介质，其中，所述第一平面机器学习模型是x-y机器学习模型，所述第二平面机器学习模型是y-z机器学习模型，并且所述第三平面机器学习模型是x-z机器学习模型。

15.根据权利要求13所述的计算机可读介质，其中，用于使处理器融合第一平面烧结状态、第二平面烧结状态和第三平面烧结状态的代码是基于融合网络的。