机构名称：
¥ 1.0
喷嘴高度，[17-20]以及打印速度和压力，目的是减少缺陷。[21,22]虽然这些原位误差校正是迈向自主打印的重要一步，但它们并不直接与打印过程的流体动力学交流，也不是指导墨水公式。计算流体动力学（CFD）模型为爱迪生式方法提供了打印机和墨水优化方法的替代方案，但需要了解墨水流变性，并且主要集中在简单的牛顿流体上。[23 - 27]通过con-Con-Con-Concoalastic Inks仍然取决于使用剪切粘度分析和振荡方法直接测量其复杂的流变特性，这些方法容易出现用户错误和自动化的挑战。[28,29]即使获得了准确的测量，试验和误差过程也被用于优化给定墨水的打印参数，以解决诸如瞬态屈服，通过喷嘴流过的瞬态屈服，并在返回到quiescent状态后的分辨率。此外，必须重复每个墨水组成的测量方法，以限制多材料或分级材料结构的生产。[30 - 32]即使是所使用的成分的微小变化，例如聚合物浓度，分子量或填充含量，也可能对墨水流变学有明显的影响。此外，墨水的最终行为可以取决于印刷的条件以及自配方以来的时间。DIW期间的墨水流变性的原位表征将有助于改善对基础流体物理的理解，并在打印过程中实现校正。DIW期间的墨水流变性的原位表征将有助于改善对基础流体物理的理解，并在打印过程中实现校正。机器学习（ML）提供了强大的高通量统计工具，可以避免直接建模和测量。ML需要大量的数据集来进行模型培训；但是，DIW的HMLV性质使得由于墨水属性和印刷零件需求的高可变性，获得大型训练集的尤其具有挑战性。我们通过采用简单的测试打印模式，即墨水和机器不可知论来抵消数据需求。这些测试模式的图像然后可以用于训练ML模型，但是由于大量DIW设计空间的相对稀疏采样，该模型的鲁棒性和准确性仍然存在不明显。可解释的人工智能（XAI）工具提供了一种评估ML模型和数据集的手段。此外，我们将基于图像的ML模型视为回归量
通过机器学习增强的直接ink写作
主要关键词
相关文件推荐
