uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

toimittaja: lrst

[uusi zhiyuanin esittely] hongkongin kiinalaisen yliopiston ja muiden laitosten tutkimusryhmät ovat kehittäneet syvän vahvistusoppimisen (dqn) avulla 3d-tulostuspolun suunnittelijan, joka parantaa tehokkaasti tulostuksen tehokkuutta ja tarkkuutta ja avaa uuden tavan älykkääseen valmistukseen.

3d-tulostustekniikan nopean kehityksen myötä tehokkaiden ja tarkkojen tulostuspolkujen luomisesta monimutkaisille geometrioille on tullut yksi tärkeimmistä haasteista, jotka rajoittavat sen laajaa käyttöä.

äskettäin manchesterin yliopiston, bostonin yliopiston ja hongkongin kiinalaisen yliopiston tutkimusryhmät ehdottivat yhdessä siggraph aisa 2024:ssä innovatiivista syvän vahvistusoppimiseen (dqn) perustuvaa polun suunnittelijaa, joka voi luoda optimoituja polkuja erilaisilla kaavioilla. 3d-tulostuspolku parantaa merkittävästi tulostusprosessin tehokkuutta ja tarkkuutta.

paperilinkki: https://arxiv.org/pdf/2408.09198

linkki projektiin: https://rl-toolpath-planner.github.io/

3d-tulostuksessa polun suunnitteluongelmaa voidaan pitää optimaalisen polun löytämisenä tietyn graafin solmusarjan joukosta. tämän ongelman monimutkaisuus ei piile vain eri mallien erilaisissa graafirakenteissa, vaan myös graafin solmujen ja reunojen suuressa määrässä.

perinteisillä menetelmillä, kuten brute force -haku ja heuristiset algoritmit, on yleensä vaikea tarjota globaali optimaalinen ratkaisu lyhyessä ajassa suuren laskennallisen monimutkaisuuden vuoksi. tässä tutkimuksessa ehdotettu dqn-optimointistrategia rakentaa kuitenkin dynaamisesti paikallisen hakugraafin (lsg). ja suorittaa polun valinta siinä, mikä vähentää huomattavasti laskennan monimutkaisuutta, mikä mahdollistaa reaaliaikaisen polun suunnittelun, kun käsitellään tuhansia solmuja sisältäviä kaavioita.

menetelmäinnovaatio ja teknologinen läpimurto

tämän polunsuunnittelijan ydininnovaatio on sen joustavuus ja mukautumiskyky. tutkimusryhmä suunnitteli nerokkaan algoritmin paikallisen hakugraafin koodaamiseksi tila-avaruuteen, jotta samanlaisissa kokoonpanoissa aiemmin opittuja dqn-käytäntöjä voidaan käyttää uudelleen, mikä nopeuttaa entisestään polun suunnittelun laskemista.

suunnittelija voi mukautua useisiin 3d-tulostussovellusskenaarioihin määrittelemällä erilaisia ​​palkitsemistoimintoja, mukaan lukien rautalankarakennetulostus, jatkuva kuitutulostus ja metallijauhepetifuusiotulostus.

fysiikan kokeissa suunnittelija osoitti erinomaista suorituskykyä. rautalankarakennetulostuksessa tutkijat tulostivat onnistuneesti mallin, joka sisälsi jopa 4 200 pilaria, joiden muodonmuutos hallittiin 1 mm:n sisällä.

jatkuvassa kuitutulostuksessa tällä menetelmällä voidaan tehokkaasti välttää yli 93 % teräväkulmaisista käännöksistä, mikä parantaa huomattavasti tulostuslaatua metallitulostuksessa optimoidun reitin suunnittelun ansiosta, lämpömuodonmuutos vähenee lähes 25 %, mikä parantaa merkittävästi painon laatua; painetut osat tarkkuus ja vakaus.

tekniset tiedot

tässä tutkimuksessa tutkimusryhmä ehdotti joustavaa vahvistusoppimisstrategiaa monipuolisen graafipolun suunnittelun avulla vastaamaan erilaisiin 3d-tulostuksen haasteisiin. tietyssä toteutuksessa he käyttävät syvää q-verkkoa (dqn) optimoijana päättääkseen seuraavaksi parhaan vierailevan solmun.

tämä strategia parantaa huomattavasti polun suunnittelun tehokkuutta rakentamalla paikallisen hakukaavion ja käyttämällä historiallisia tietoja nopeuttamaan laskelmia. parantaakseen mallin suorituskykyä edelleen tutkijat suunnittelivat algoritmin, joka pystyy tunnistamaan paikalliset hakukaaviot samanlaisissa kokoonpanoissa, jotta aiemmin opittuja dqn-käytäntöjä voidaan käyttää uudelleen. tämä tekniikka ei vain nopeuttaa reitin laskemista, vaan mahdollistaa myös menetelmän joustavan käytön erilaisissa 3d-tulostussovelluksissa.

kokeellinen todentaminen ja laaja sovellus

tämän menetelmän todellisen vaikutuksen varmistamiseksi tutkimusryhmä suoritti fysikaalisia kokeita useilla malleilla, jotka kattoivat erilaisia ​​graafisia tyyppejä yksinkertaisesta geometriasta monimutkaisiin rakenteisiin. kokeelliset tulokset osoittavat, että olipa kyseessä rautalankarakenne, jatkuva kuitu- tai metallitulostus, reittisuunnittelija voi tuottaa optimaalisia polkuja, jotka täyttävät valmistusvaatimukset ja lyhentävät merkittävästi laskenta-aikaa.

esimerkiksi yhdessä kokeessa kokonaispolun suunnitteluaika suunnittelijan käyttämiseen monimutkaisen rautalankamallin luomiseen oli vain 2,05 tuntia, kun taas koko mallin tulostamiseen kului 6,67 tuntia. sitä vastoin perinteiset raa'an voiman hakumenetelmät vaativat satoja tunteja laskenta-aikaa, vaikka ne suoritettaisiin vain paikallisen haun puitteissa.

tutkimusryhmä totesi myös, että tämä oppimiseen perustuva lähestymistapa avaa uusia mahdollisuuksia tulevaisuuden 3d-tulostusteknologialle. vahvistusoppimisen käyttöönoton myötä reitin suunnittelu ei enää perustu pelkästään esiasetettuihin sääntöihin tai heuristisiin algoritmeihin, vaan se voi säätää ja optimoida itse todellisten tulostusolosuhteiden perusteella. tämä ei ainoastaan ​​paranna tulostuksen onnistumisastetta, vaan myös vähentää materiaalihukkaa ja tulostusvirheiden riskiä.

näkymät

tämän tutkimuksen menestys on tärkeä virstanpylväs 3d-tulostuspolun suunnittelussa. syväoppimiseen perustuva polunsuunnittelija ei ainoastaan ​​tarjoa tehokkaan ratkaisun monimutkaisten geometristen rakenteiden tulostamiseen, vaan myös luo pohjan tulevaisuuden älykkäiden valmistusjärjestelmien kehitykselle.

tutkimusryhmä aikoo laajentaa tämän menetelmän sovellusaluetta tulevaisuudessa entisestään, mukaan lukien sen potentiaalin tutkiminen sellaisilla aloilla kuin monimateriaalitulostus ja mikromittakaavapainatus. lisäksi yhdistämällä edistyneempiä koneoppimismalleja ja optimointialgoritmeja tutkijat toivovat edelleen parantavansa polun suunnittelun tehokkuutta ja tarkkuutta sekä tarjoavansa vahvempaa teknistä tukea teolliseen tuotantoon ja tieteelliseen tutkimukseen.

kaiken kaikkiaan oppimiseen perustuvien monipuolisten graafisten reittisuunnittelijoiden soveltaminen 3d-tulostuksessa tarjoaa uusia ideoita ja työkaluja monimutkaisten valmistusongelmien ratkaisemiseen, ja niitä odotetaan tulevaisuudessa käytettävän korkean tarkkuuden aloilla, kuten älykkäässä valmistuksessa, ilmailussa ja lääketieteellisissä laitteissa. tärkeä rooli.