在灰度数字光处理增材制造中对复杂的voxel预测采用数据驱动的方法,使用U-Nets和生成对抗网络进行增材制造
Jason P Killgore1, Thomas J Kolibaba1, Benjamin W Caplins1
1Applied Chemicals and Materials Division, National Institue of Standards and Technology, Boulder, CO, 80305, USA.
Small (Weinheim an der Bergstrasse, Germany)
|July 6, 2023
概括
机器学习模型准确地预测了数字光处理 (DLP) 增材制造中的3D打印几何. 这种以数据为导向的方法通过纠正光罩以改善voxel几何控制来提高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 数字光处理 (DLP) 是一种关键的增材制造技术.
- 预测和控制voxel几何学对于DLP的精度至关重要.
研究的目的:
- 开发和验证机器学习模型,用于在DLP中预测3D打印的voxel几何.
- 探索U-net和pix2pix条件生成对抗网络 (cGAN) 的应用,以提高精度.
主要方法:
- 利用共聚焦显微镜工作流程来获得高通量数据,以获取voxel交互的数据.
- 训练有素的pix2pix cGAN模型在随机灰度尺度数字照片面膜的数据上.
- 与实际3D打印相比,验证了模型预测,评估了子像素分辨率的准确性.
主要成果:
- 机器学习模型展示了准确的预测3D打印的voxel几何学与子像素分辨率.
- 经过训练的cGAN成功地进行了虚拟DLP实验,包括治疗深度和反假名.
- pix2pix模型显示可用于比培训中使用的更大的口罩,并可以为打印故障分析提供信息.
结论:
- 数据驱动的机器学习,特别是U-nets和cGAN,在DLP增材制造中预测和纠正光罩方面显示出重大前景.
- 这种方法可以提高3D打印过程的精度和质量控制.


