相关实验视频
Updated: Sep 16, 2025
08:43
Fused Filament Fabrication FFF of Metal-Ceramic Components
Published on: January 11, 2019
17.4K
增材制造工艺的生命周期评估和多标准决策分析,以实现最佳性能和可持续性
Jayant M Raut1, Prashant B Pande1, Kamlesh V Madurwar2
1Department of Civil Engineering, Yeshwantrao Chavan College of Engineering, Nagpur, Maharashtra, 441110, India.
Scientific reports
|July 11, 2025
概括
这项研究通过将预测性生命周期评估 (LCA) 与机器学习和优化技术相结合,引入了可持续增材制造 (AM) 的新框架. 该方法增强了决策,减少了浪费,并提高了绿色制造工艺的效率.
科学领域:
- 材料科学与工程 材料科学与工程
- 可持续的制造业 可持续的制造业
- 计算可持续性的计算可持续性
背景情况:
- 目前的生命周期评估 (LCA) 模型缺乏实时数据集成和适应动态制造环境的适应性.
- 现有的决策框架与不断变化的标准和可持续制造业固有的不确定性作斗争.
- 增材制造 (AM) 需要优化环境和经济效率的流程.
研究的目的:
- 制定一个综合框架,解决当前LCA和可持续AM决策的局限性.
- 将预测性LCA与机器学习和优化结合起来,以实现动态的,数据驱动的可持续性评估.
- 为了提高AM过程的环境和经济性能.
主要方法:
- 预测性生命周期评估 (LCA) 使用高斯过程回归 (GPR) 来建模二氧化碳和能源使用与不确定性量化.
- 通过多标准决策分析 (MCDA) 的静态森林进行动态决策标准权重,以适应实时制造业绩.
- 使用粒子群优化 (PSO) 进行多目标优化,以平衡材料强度,能源效率和成本效益.
主要成果:
- GPR实现了85-90%的预测准确度,减少了12%的材料浪费.
- 随机森林提高了15-20%的决策准确性,并降低了大约10%的成本.
- PSO优化了参数,提高了10-15%的材料效率,降低了8-12%的能源消耗.
结论:
- 综合框架通过结合动态预测建模和适应性决策,成功克服了传统LCA模型的局限性.
- 这种结合机器学习与生物灵感优化的新方法,为增材制造的可持续性做出了重大贡献.
- 该框架提供了一个强大的解决方案,用于处理实时数据和AM中的不确定性,为适应性和可持续实践铺平道路.
