noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

editor: lrst

[nueva introducción a zhiyuan] equipos de investigación de la universidad china de hong kong y otras instituciones han desarrollado un planificador de rutas de impresión 3d mediante aprendizaje por refuerzo profundo (dqn), que mejora efectivamente la eficiencia y precisión de la impresión y abre una nueva forma para la fabricación inteligente.

con el rápido desarrollo de la tecnología de impresión 3d, cómo generar rutas de impresión eficientes y precisas en geometrías complejas se ha convertido en uno de los desafíos clave que restringen su aplicación generalizada.

recientemente, equipos de investigación de la universidad de manchester, la universidad de boston y la universidad china de hong kong propusieron conjuntamente en siggraph aisa 2024 un innovador planificador de rutas basado en aprendizaje por refuerzo profundo (dqn), que puede generar rutas optimizadas en gráficos con una variedad de diferentes la ruta de impresión 3d mejora significativamente la eficiencia y precisión del proceso de impresión.

enlace del artículo: https://arxiv.org/pdf/2408.09198

enlace del proyecto: https://rl-toolpath-planner.github.io/

en la impresión 3d, el problema de planificación de rutas puede verse como encontrar la ruta óptima entre una secuencia de nodos en un gráfico determinado. la complejidad de este problema radica no solo en las diferentes estructuras gráficas de diferentes modelos, sino también en la gran cantidad de nodos y aristas en el gráfico.

los métodos tradicionales, como la búsqueda de fuerza bruta y los algoritmos heurísticos, suelen ser difíciles de proporcionar la solución óptima global en poco tiempo debido a la alta complejidad computacional. sin embargo, la estrategia de optimización dqn propuesta en este estudio construye dinámicamente un gráfico de búsqueda local (lsg). y realice la selección de rutas en él, lo que reduce en gran medida la complejidad computacional, lo que permite la planificación de rutas en tiempo real al procesar gráficos que contienen miles de nodos.

innovación de métodos y avance tecnológico.

la principal innovación de este planificador de rutas reside en su flexibilidad y adaptabilidad. el equipo de investigación diseñó un ingenioso algoritmo para codificar el gráfico de búsqueda local en un espacio de estado, de modo que, en configuraciones similares, se puedan reutilizar las políticas dqn previamente aprendidas, acelerando aún más el cálculo de la planificación de rutas.

el planificador puede adaptarse a una variedad de escenarios de aplicaciones de impresión 3d definiendo diferentes funciones de recompensa, incluida la impresión de estructura de alambre, la impresión de fibra continua y la impresión por fusión de lecho de polvo metálico.

en experimentos de física, el planificador demostró un rendimiento excelente. en la impresión de estructuras de alambre, los investigadores imprimieron con éxito un modelo que contenía hasta 4200 pilares, con una deformación controlada en 1 mm.

en la impresión de fibra continua, este método puede evitar eficazmente más del 93% de los giros de ángulos agudos, lo que mejora en gran medida la calidad de impresión en la impresión de metales; mediante la planificación de trayectoria optimizada, la deformación térmica se reduce en casi un 25%, lo que mejora significativamente la calidad de la impresión; piezas impresas. precisión y estabilidad.

detalles tecnicos

en este estudio, el equipo de investigación propuso una estrategia flexible de aprendizaje por refuerzo mediante una planificación diversificada de rutas de gráficos para hacer frente a diferentes desafíos de la impresión 3d. en la implementación específica, utilizan una red q profunda (dqn) como optimizador para decidir cuál es el siguiente mejor nodo a visitar.

esta estrategia mejora en gran medida la eficiencia de la planificación de rutas al crear un gráfico de búsqueda local y utilizar datos históricos para acelerar los cálculos. para mejorar aún más el rendimiento del modelo, los investigadores diseñaron un algoritmo que puede identificar gráficos de búsqueda local en configuraciones similares, de modo que se puedan reutilizar las políticas dqn aprendidas previamente. esta técnica no solo acelera los cálculos de trayectoria, sino que también permite utilizar el método de manera flexible en una variedad de aplicaciones de impresión 3d.

verificación experimental y amplia aplicación.

para verificar el efecto real de este método, el equipo de investigación llevó a cabo experimentos físicos en una variedad de modelos, abarcando una variedad de tipos de gráficos, desde geometría simple hasta estructuras complejas. los resultados experimentales muestran que ya sea una estructura de alambre, fibra continua o impresión de metal, el planificador de rutas puede generar rutas óptimas que cumplen con los requisitos de fabricación y acortan significativamente el tiempo de cálculo.

por ejemplo, en un experimento, el tiempo total de planificación de ruta para usar el planificador para generar un modelo de estructura alámbrica complejo fue de solo 2,05 horas, mientras que el tiempo para imprimir el modelo completo fue de 6,67 horas. por el contrario, los métodos tradicionales de búsqueda de fuerza bruta requieren cientos de horas de tiempo de computación incluso si solo se realizan dentro de un ámbito de búsqueda local.

el equipo de investigación también señaló que este enfoque basado en el aprendizaje abre nuevas posibilidades para la futura tecnología de impresión 3d. al introducir el aprendizaje por refuerzo, la planificación de rutas ya no se basa únicamente en reglas preestablecidas o algoritmos heurísticos, sino que puede autoajustarse y optimizarse en función de las condiciones de impresión reales. esto no sólo mejora la tasa de éxito de la impresión, sino que también reduce el desperdicio de material y el riesgo de fallos en la impresión.

perspectiva

el éxito de esta investigación marca un hito importante en el campo de la planificación de rutas de impresión 3d. el planificador de rutas basado en el aprendizaje profundo no solo proporciona una solución eficiente para imprimir estructuras geométricas complejas, sino que también sienta las bases para el desarrollo de futuros sistemas de fabricación inteligentes.

el equipo de investigación planea ampliar aún más el alcance de aplicación de este método en el futuro, incluida la exploración de su potencial en campos como la impresión multimaterial y la impresión a microescala. además, al combinar modelos de aprendizaje automático y algoritmos de optimización más avanzados, los investigadores esperan mejorar aún más la eficiencia y precisión de la planificación de rutas y brindar un soporte técnico más sólido para la producción industrial y las aplicaciones de investigación científica.

en general, la aplicación de planificadores de rutas gráficas diversificadas basadas en el aprendizaje en la impresión 3d proporciona nuevas ideas y herramientas para resolver problemas de fabricación complejos y se espera que se utilice en campos de alta precisión como la fabricación inteligente, la industria aeroespacial y los equipos médicos en el futuro. . papel importante.