berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

editor: lrst

[pengenalan zhiyuan baru] tim peneliti dari chinese university of hong kong dan institusi lain telah mengembangkan perencana jalur pencetakan 3d melalui pembelajaran penguatan mendalam (dqn), yang secara efektif meningkatkan efisiensi dan akurasi pencetakan serta membuka cara baru untuk manufaktur cerdas.

dengan pesatnya perkembangan teknologi pencetakan 3d, cara menghasilkan jalur pencetakan yang efisien dan akurat pada geometri kompleks telah menjadi salah satu tantangan utama yang membatasi penerapannya secara luas.

baru-baru ini, tim peneliti dari universitas manchester, universitas boston, dan universitas cina hong kong bersama-sama mengusulkan perencana jalur inovatif berbasis pembelajaran penguatan mendalam (dqn) di siggraph aisa 2024, yang dapat menghasilkan jalur yang dioptimalkan pada grafik dengan berbagai variasi struktur jalur pencetakan 3d secara signifikan meningkatkan efisiensi dan akurasi proses pencetakan.

tautan makalah: https://arxiv.org/pdf/2408.09198

tautan proyek: https://rl-toolpath-planner.github.io/

dalam pencetakan 3d, masalah perencanaan jalur dapat dipandang sebagai pencarian jalur optimal di antara rangkaian node pada grafik tertentu. kompleksitas masalah ini tidak hanya terletak pada struktur grafik yang berbeda dari model yang berbeda, tetapi juga pada banyaknya jumlah node dan tepi pada grafik.

metode tradisional, seperti pencarian brute force dan algoritma heuristik, biasanya sulit memberikan solusi optimal global dalam waktu singkat karena kompleksitas komputasi yang tinggi. namun, strategi optimasi dqn yang diusulkan dalam penelitian ini secara dinamis membangun grafik pencarian lokal (lsg). . dan melakukan pemilihan jalur di dalamnya, yang sangat mengurangi kompleksitas komputasi, memungkinkan perencanaan jalur waktu nyata saat memproses grafik yang berisi ribuan node.

inovasi metode dan terobosan teknologi

inovasi inti dari perencana jalur ini adalah fleksibilitas dan kemampuan beradaptasi. tim peneliti merancang algoritme cerdik untuk menyandikan grafik pencarian lokal ke dalam ruang status, sehingga dengan konfigurasi serupa, kebijakan dqn yang dipelajari sebelumnya dapat digunakan kembali, sehingga semakin mempercepat penghitungan perencanaan jalur.

perencana dapat beradaptasi dengan berbagai skenario aplikasi pencetakan 3d dengan menentukan fungsi penghargaan yang berbeda, termasuk pencetakan struktur rangka gambar, pencetakan serat berkelanjutan, dan pencetakan fusi lapisan bubuk logam.

dalam eksperimen fisika, perencana menunjukkan kinerja yang sangat baik. dalam pencetakan struktur wireframe, para peneliti berhasil mencetak model yang berisi hingga 4.200 pilar, dengan deformasi terkontrol dalam jarak 1 mm.

dalam pencetakan serat kontinu, metode ini secara efektif dapat menghindari lebih dari 93% belokan sudut tajam, sangat meningkatkan kualitas pencetakan; dalam pencetakan logam, melalui perencanaan jalur yang dioptimalkan, deformasi termal berkurang hampir 25%, meningkatkan kualitas secara signifikan bagian yang dicetak.

rincian teknis

dalam studi ini, tim peneliti mengusulkan strategi pembelajaran penguatan yang fleksibel melalui perencanaan jalur grafik yang terdiversifikasi untuk menghadapi berbagai tantangan pencetakan 3d. dalam implementasi spesifiknya, mereka menggunakan jaringan deep q (dqn) sebagai pengoptimal untuk menentukan node terbaik berikutnya untuk dikunjungi.

strategi ini sangat meningkatkan efisiensi perencanaan jalur dengan membuat grafik pencarian lokal dan menggunakan data historis untuk mempercepat penghitungan. untuk lebih meningkatkan performa model, para peneliti merancang algoritme yang dapat mengidentifikasi grafik pencarian lokal dengan konfigurasi serupa, sehingga kebijakan dqn yang dipelajari sebelumnya dapat digunakan kembali. teknik ini tidak hanya mempercepat penghitungan jalur, tetapi juga memungkinkan metode tersebut digunakan secara fleksibel dalam berbagai aplikasi pencetakan 3d.

verifikasi eksperimental dan aplikasi luas

untuk memverifikasi efek sebenarnya dari metode ini, tim peneliti melakukan eksperimen fisik pada berbagai model, yang mencakup berbagai jenis grafik dari geometri sederhana hingga struktur kompleks. hasil eksperimen menunjukkan bahwa baik itu struktur rangka gambar, pencetakan serat kontinu atau logam, perencana jalur dapat menghasilkan jalur optimal yang memenuhi persyaratan produksi dan secara signifikan mempersingkat waktu penghitungan.

misalnya, dalam satu percobaan, total waktu perencanaan jalur untuk menggunakan perencana untuk menghasilkan model wireframe yang kompleks hanya 2,05 jam, sedangkan waktu untuk mencetak seluruh model adalah 6,67 jam. sebaliknya, metode pencarian brute force tradisional memerlukan ratusan jam waktu komputasi meskipun hanya dilakukan dalam lingkup pencarian lokal.

tim peneliti juga mencatat bahwa pendekatan berbasis pembelajaran ini membuka kemungkinan baru untuk teknologi pencetakan 3d di masa depan. dengan memperkenalkan pembelajaran penguatan, perencanaan jalur tidak lagi hanya bergantung pada aturan yang telah ditetapkan atau algoritma heuristik, namun dapat menyesuaikan dan mengoptimalkan secara mandiri berdasarkan kondisi pencetakan aktual. hal ini tidak hanya meningkatkan tingkat keberhasilan pencetakan, namun juga mengurangi pemborosan bahan dan risiko kegagalan pencetakan.

pandangan

keberhasilan penelitian ini menandai tonggak penting dalam bidang perencanaan jalur pencetakan 3d. perencana jalur berdasarkan pembelajaran mendalam tidak hanya memberikan solusi efisien untuk mencetak struktur geometris yang kompleks, namun juga meletakkan dasar bagi pengembangan sistem manufaktur cerdas di masa depan.

tim peneliti berencana untuk memperluas cakupan penerapan metode ini di masa depan, termasuk mengeksplorasi potensinya di bidang-bidang seperti pencetakan multi-bahan dan pencetakan skala mikro. selain itu, dengan menggabungkan model pembelajaran mesin yang lebih canggih dan algoritme pengoptimalan, para peneliti berharap dapat lebih meningkatkan efisiensi dan keakuratan perencanaan jalur serta memberikan dukungan teknis yang lebih kuat untuk produksi industri dan aplikasi penelitian ilmiah.

secara keseluruhan, penerapan perencana jalur grafis terdiversifikasi berbasis pembelajaran dalam pencetakan 3d memberikan ide dan alat baru untuk memecahkan masalah manufaktur yang kompleks, dan diharapkan dapat digunakan dalam bidang presisi tinggi seperti manufaktur cerdas, ruang angkasa, dan peralatan medis di masa depan. .peran penting.