notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

editore: lrst

[introduzione alla nuova zhiyuan] i team di ricerca dell'università cinese di hong kong e di altre istituzioni hanno sviluppato un pianificatore del percorso di stampa 3d attraverso l'apprendimento profondo per rinforzo (dqn), che migliora efficacemente l'efficienza e la precisione della stampa e apre un nuovo modo per la produzione intelligente.

con il rapido sviluppo della tecnologia di stampa 3d, come generare percorsi di stampa efficienti e accurati su geometrie complesse è diventata una delle sfide chiave che ne limitano l’applicazione diffusa.

recentemente, gruppi di ricerca dell’università di manchester, dell’università di boston e dell’università cinese di hong kong hanno proposto congiuntamente al siggraph aisa 2024 un innovativo pianificatore di percorso basato sull’apprendimento per rinforzo profondo (dqn), in grado di generare percorsi ottimizzati su grafici con una varietà di differenti strutture. il percorso di stampa 3d migliora significativamente l'efficienza e la precisione del processo di stampa.

link al documento: https://arxiv.org/pdf/2408.09198

collegamento al progetto: https://rl-toolpath-planner.github.io/

nella stampa 3d, il problema della pianificazione del percorso può essere visto come la ricerca del percorso ottimale tra una sequenza di nodi su un dato grafico. la complessità di questo problema non risiede solo nelle diverse strutture dei grafici dei diversi modelli, ma anche nel gran numero di nodi e archi nel grafico.

i metodi tradizionali, come la ricerca a forza bruta e gli algoritmi euristici, sono solitamente difficili da fornire la soluzione ottimale globale in breve tempo a causa dell'elevata complessità computazionale. tuttavia, la strategia di ottimizzazione dqn proposta in questo studio costruisce dinamicamente un grafo di ricerca locale (lsg). ed esegue la selezione del percorso al suo interno, riducendo notevolmente la complessità computazionale, consentendo la pianificazione del percorso in tempo reale durante l'elaborazione di grafici contenenti migliaia di nodi.

innovazione del metodo e svolta tecnologica

l'innovazione principale di questo pianificatore di percorsi risiede nella sua flessibilità e adattabilità. il gruppo di ricerca ha progettato un algoritmo ingegnoso per codificare il grafico di ricerca locale in uno spazio di stati, in modo che, in configurazioni simili, le politiche dqn precedentemente apprese possano essere riutilizzate, accelerando ulteriormente il calcolo della pianificazione del percorso.

il pianificatore può adattarsi a una varietà di scenari applicativi di stampa 3d definendo diverse funzioni di ricompensa, tra cui la stampa della struttura wireframe, la stampa continua di fibre e la stampa con fusione a letto di polvere metallica.

negli esperimenti di fisica, il pianificatore ha dimostrato prestazioni eccellenti. nella stampa della struttura wireframe, i ricercatori hanno stampato con successo un modello contenente fino a 4.200 pilastri, con deformazione controllata entro 1 mm.

nella stampa continua in fibra, questo metodo può effettivamente evitare oltre il 93% delle curve ad angolo acuto, migliorando notevolmente la qualità di stampa, attraverso la pianificazione ottimizzata del percorso, la deformazione termica viene ridotta di quasi il 25%, migliorando significativamente la qualità della stampa parti stampate precisione e stabilità.

dettagli tecnici

in questo studio, il gruppo di ricerca ha proposto una strategia di apprendimento di rinforzo flessibile attraverso una pianificazione diversificata del percorso grafico per affrontare le diverse sfide della stampa 3d. nell'implementazione specifica, utilizzano una rete q profonda (dqn) come ottimizzatore per decidere il prossimo miglior nodo da visitare.

questa strategia migliora notevolmente l'efficienza della pianificazione del percorso costruendo un grafico di ricerca locale e utilizzando dati storici per accelerare i calcoli. per migliorare ulteriormente le prestazioni del modello, i ricercatori hanno progettato un algoritmo in grado di identificare i grafici di ricerca locale in configurazioni simili, in modo da poter riutilizzare le politiche dqn apprese in precedenza. questa tecnica non solo accelera i calcoli del percorso, ma consente anche di utilizzare il metodo in modo flessibile in una varietà di applicazioni di stampa 3d.

verifica sperimentale e ampia applicazione

per verificare l'effetto reale di questo metodo, il gruppo di ricerca ha condotto esperimenti fisici su una varietà di modelli, coprendo una varietà di tipologie grafiche, dalla geometria semplice alle strutture complesse. i risultati sperimentali mostrano che, che si tratti di struttura wireframe, fibra continua o stampa su metallo, il pianificatore di percorsi può generare percorsi ottimali che soddisfano i requisiti di produzione e riducono significativamente i tempi di calcolo.

ad esempio, in un esperimento, il tempo totale di pianificazione del percorso per l'utilizzo del pianificatore per generare un modello wireframe complesso è stato di sole 2,05 ore, mentre il tempo necessario per stampare l'intero modello è stato di 6,67 ore. al contrario, i tradizionali metodi di ricerca a forza bruta richiedono centinaia di ore di elaborazione anche se vengono eseguiti solo nell’ambito della ricerca locale.

il gruppo di ricerca ha inoltre notato che questo approccio basato sull’apprendimento apre nuove possibilità per la futura tecnologia di stampa 3d. con l’introduzione dell’apprendimento per rinforzo, la pianificazione del percorso non si basa più esclusivamente su regole preimpostate o algoritmi euristici, ma può auto-regolarsi e ottimizzarsi in base alle condizioni di stampa effettive. ciò non solo migliora il tasso di successo della stampa, ma riduce anche lo spreco di materiale e il rischio di errori di stampa.

veduta

il successo di questa ricerca segna un’importante pietra miliare nel campo della pianificazione del percorso di stampa 3d. il pianificatore di percorsi basato sul deep learning non solo fornisce una soluzione efficiente per la stampa di strutture geometriche complesse, ma getta anche le basi per lo sviluppo di futuri sistemi di produzione intelligenti.

il team di ricerca prevede di espandere ulteriormente l’ambito di applicazione di questo metodo in futuro, inclusa l’esplorazione del suo potenziale in campi come la stampa multimateriale e la stampa su microscala. inoltre, combinando modelli di apprendimento automatico più avanzati e algoritmi di ottimizzazione, i ricercatori sperano di migliorare ulteriormente l’efficienza e l’accuratezza della pianificazione del percorso e fornire un supporto tecnico più forte per la produzione industriale e le applicazioni di ricerca scientifica.

nel complesso, l’applicazione di pianificatori di percorsi grafici diversificati basati sull’apprendimento nella stampa 3d fornisce nuove idee e strumenti per risolvere problemi di produzione complessi e si prevede che in futuro verrà utilizzato in campi di alta precisione come la produzione intelligente, l’aerospaziale e le apparecchiature mediche. ruolo importante.