机器学习基于图像的分析,用于预测珠子的几何形状,用于大型增材制造的化颗粒制造
Daniele Vanerio1,2, Mario Guagliano1, Sara Bagherifard1
1Department of Mechanical Engineering, Politecnico di Milano, Milan, Italy.
NPJ advanced manufacturing
|March 25, 2025
概括
这项研究使用人工神经网络 (ANN) 准确预测融化颗粒制造 (FGF) 中的横截面几何形状,这是一个大格式增材制造 (LFAM) 工艺. 在基于聚合物的增材制造中,ANN模型提高了复杂形状的几何精度.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算机科学 计算机科学
背景情况:
- 大型增材制造 (LFAM) 依赖于聚合物基础的化颗粒制造 (FGF) 来生产大型结构.
- 预测和控制FGF部件的横截面几何是确保尺寸准确性和部件完整性的关键.
- 现有的方法往往侧重于轮预测,限制了捕捉复杂几何形状的能力.
研究的目的:
- 开发和验证一个人工神经网络 (ANN) 模型,用于预测FGF过程中的全截面几何.
- 研究关键过程参数对珠子形态学的影响.
- 提升LFAM中的几何预测能力,超越基于轮的方法.
主要方法:
- 采用全因数设计,通过系统变化的层高度,横速和螺丝速度来生成全面的数据集.
- 制造部件的截面图像被获取并处理用于培训ANN.
- 设计了一个带有两个隐藏层的ANN,并与图像处理技术集成,以预测横截面几何.
主要成果:
- 该ANN模型与实验横截图有很强的一致性,平均绝对误差为8.88%.
- 该模型有效地捕捉了FGF珠型的复杂几何特征.
- 该方法成功预测了全截面图像,优于仅限于轮点预测的方法.
结论:
- 开发的ANN对于预测FGF配置文件是有效的,大大提高了LFAM中的几何精度.
- 这种预测能力有潜力产生更复杂的形状,并提高聚合物基增材制造的整体质量.
- 该研究为大型增材制造技术的先进几何控制提供了基础.
