XiaoMi-AI文件搜索系统
World File Search System增材制造
使用实验数据分析和机械建模缓解增材制造中的气孔问题
摘要：雾化过程中保护气、金属蒸汽和粉末内部滞留的气体会导致气孔，而气孔会降低激光粉末床熔合增材制造部件的疲劳强度和拉伸性能。通过后处理和反复试验调整加工条件来降低气孔率既费时又费钱。在这里，我们结合机械建模和实验数据分析，提出了一种易于使用、可验证的无量纲气孔率指数来减轻气孔的形成。机械模型的结果经过了独立的实验数据严格测试。结果发现，该指数可以准确预测常用合金（包括不锈钢 316、Ti-6Al-4V、Inconel 718 和 AlSi10Mg）的气孔发生率，准确率为 92%。此外，实验数据表明，指数值越高，气孔数量越多。在四种合金中，AlSi10Mg 最容易产生气孔，其气孔指数值可能比其他合金高 5 至 10 倍。根据结果，我们绘制了气孔图，可在实践中用于选择适当的工艺变量组来减轻气孔，而无需进行实证测试。
增材制造功能梯度材料的进展与挑战：综合综述
摘要：本文深入研究了增材制造功能梯度材料 (FGM) 领域的进步和挑战。它深入研究了 FGM 设计的概念方法、各种制造技术以及使用增材制造 (AM) 技术制造它们所用的材料。本文探讨了 FGM 在结构工程、汽车、生物医学工程、软机器人、电子、4D 打印和超材料等不同领域的应用。对与 FGM 相关的关键问题和挑战进行了细致的分析，解决了与生产和性能相关的问题。此外，本文预测了 FGM 发展的未来趋势，强调了对不同行业的潜在影响。结论部分总结了主要发现，强调了 FGM 在 AM 技术背景下的重要性。这篇评论为研究人员、从业者和利益相关者提供了宝贵的见解，增强了他们对 FGM 及其在不断发展的 AM 格局中的作用的理解。
机器学习在增材制造材料和工艺中的进展和机遇
近年来，机器学习 (ML) 技术得到广泛采用，以解开各种增材制造 (AM) 技术中各种参数之间的复杂关系。这些 ML 模型擅长从大量精心策划的数据集中识别复杂模式，从而揭示在 AM 过程中做出明智决策所必需的潜在知识。ML 和 AM 之间的协同作用有可能彻底改变 AM 打印部件的设计和生产。本综述深入探讨了这两个动态领域交叉点上出现的挑战和机遇。它全面分析了 AM 领域 ML 相关研究的出版格局，探讨了 AM 研究中常见的 ML 应用（例如质量控制、工艺优化、设计优化、微观结构分析和材料配方），最后提出了一个展望，强调了先进 ML 模型的利用、新兴传感器的开发以及新兴 AM 相关领域的 ML 应用。值得注意的是，由于机器学习在各种 AM 相关应用中表现出色，它在 AM 领域引起了越来越多的关注。可以预见，将机器学习集成到 AM 流程中将显著增强各种 AM 相关研究领域的 3D 打印能力。
用于关键飞行部件的增材制造钛合金
– 完全容许多种预成型几何形状 – 除了板/DED 接口区域外，还从 X 和 Z 方向测试了试样 – 迄今为止已测试了 1000 多个静态试样和 100 个动态试样
在医疗保健供应链中实施循环经济目标中的增材制造业：矛盾的紧张和解决方案
引用：Priyadarshini，J.，Singh，R.K.，Mishra，R.，He，Q。，＆Braganza，A。（2024）。在医疗保健供应链中实施循环经济目标中的增材制造业：从行业5.0角度来看，矛盾的紧张局势和解决方案。信息系统边界，doi：10.1007/s10796-024-10482-1。
AM-SegNet 用于增材制造原位 X 射线图像分割和特征量化
摘要 同步加速器 X 射线成像已用于检测金属增材制造 (AM) 过程中熔池的动态行为，此过程中会产生大量图像数据。在此，我们开发了一种高效且稳健的深度学习模型 AM-SegNet，用于分割和量化高分辨率 X 射线图像，并准备了一个包含超过 10,000 个像素标记图像的大型数据库，用于模型训练和测试。AM-SegNet 结合了一个轻量级卷积块和一个定制的注意机制，能够以高精度（∼ 96%）和处理速度（每帧 < 4 毫秒）执行语义分割。分割结果可用于关键特征（例如锁孔和孔隙）的量化和多模态相关分析。此外，还展示了 AM-SegNet 在其他先进制造工艺中的应用。所提出的方法将使制造和成像领域的最终用户能够加速从收集到分析的数据处理过程，并提供对过程控制物理学的洞察。
迈向增材制造中的数字孪生框架
激光定向能量沉积 (DED) 在增材制造 (AM) 中具有显著优势，可用于生产复杂的几何形状并促进材料功能分级。然而，材料属性不一致和零件多变等固有挑战仍然存在，这主要是由于其分层制造方法。对这些挑战至关重要的是 DED 过程中的热量积累，这会影响最终材料的微观结构和性能。尽管用于管理热量积累和温度调节的闭环控制方法在 DED 文献中很普遍，但很少有方法将实时监控、基于物理的建模和控制同时集成在一个有凝聚力的框架中。为了解决这个问题，我们提出了一个数字孪生 (DT) 框架，用于实时模型预测控制 DED 的工艺参数，以实现特定的工艺设计目标。为了实现该目标，我们详细介绍了利用基于长短期记忆 (LSTM) 的机器学习的替代模型的开发，该模型使用贝叶斯推理来预测 DED 构建部件各个空间位置的温度。该模型提供未来温度状态的实时预测。此外，我们引入了用于时间序列过程优化 (BOTSPO) 的贝叶斯优化 (BO) 方法。它的基本原理与传统 BO 一致，其新颖之处在于我们独特的时间序列过程配置文件生成器，具有降低维度的表示。BOTSPO 用于动态过程优化，我们在其中部署 BOTSPO 来确定最佳激光功率配置文件，旨在实现 DED 构建中的所需机械性能。识别的配置文件建立了一个过程轨迹，在线过程优化旨在匹配或超越该轨迹的性能。本文阐述了数字孪生框架的组成部分，主张将其整合为 AM 的综合数字孪生系统。
技术简介：钢桥应用的大型金属增材制造 (AM) 评估
简介金属增材制造 (AM) 具有一系列积极的特性：自动化、制造复杂几何形状的能力、组件优化、整合装配、数字库存和减少材料浪费。其他大型金属行业已经意识到并应用了这些优势，包括航空航天、发电、海事和国防。电弧增材制造 (WAAM) 是一种定向能量沉积 (DED) AM 工艺，能够使用金属原料（例如传统焊丝耗材）进行打印。WAAM 的进步，即它与机械臂和定位器的集成，允许制造以英尺为单位的大型组件。由于这些原因，WAAM 成为生产大型结构部件的理想选择。但是，目前缺乏对 WAAM 的材料和疲劳行为的基础知识，可能会阻碍其在建筑和运输结构行业的广泛应用。
通过材料挤压实现自感知部件的增材制造
摘要 本研究的目的是通过嵌入铜和连续碳纤维导电元件来开发和评估增材制造部件的自感应能力。使用自定义 g 代码在基于材料挤出的 Anisoprint A4 机器上制造了两组测试样本。每组都包含非晶态热塑性基质中的铜和连续碳纤维。通过改进美国材料与试验协会 (ASTM D790) 三点加载系统开发了一种量身定制的测试装置。在弯曲载荷下进行电阻测量，以评估每个测试样本的自感应能力。结果证实，材料挤出技术可以生产自感应部件。电阻呈线性增加（传感公差 <±2.6%，R 2 >93.8% p 值 < 0.005），与施加的力和应变建立了很强的相关性。这项工作允许创建智能部件，以促进工业 4.0 所需的状态监测和预防性维护所需的大数据收集、分析和基于证据的决策。