数字光处理 (DLP) 是一种基于大桶光聚合的 3D 打印技术,可制造通常由化学交联聚合物制成的部件。快速增长的 DLP 市场对聚合物原材料的需求不断增加,同时人们对环境的关注也日益增加。因此,使用闭环可回收墨水进行循环 DLP 打印对于可持续发展至关重要。低温烷基取代的 𝜹 -戊内酯 (VL) 是一种工业上可获得的生物可再生原料,用于开发可回收聚合物。在这项工作中,通过 VL 的开环酯交换聚合合成的丙烯酸酯官能化聚(𝜹 -戊内酯)(PVLA)被用作平台光前体,以提高 DLP 打印中的化学循环性。一小部分光固化反应性稀释剂 (RD) 将不可打印的 PVLA 转变为 DLP 可打印墨水。各种光固化单体可用作 RD,以调节印刷结构的特性,用于牺牲模具、软致动器、传感器等应用。无论印刷聚合物是热塑性还是热固性,PVLA 的固有可解聚性都得到很好的保留。通过印刷结构的直接本体热解,原始质量 VL 单体的回收率为 93%。这项工作提出了可解聚光前体的利用,并强调了生物可再生 VL 作为循环 DLP 打印的多功能材料平台的可行性。
本文首次全面介绍了深度学习 (DL) 在增材制造 (AM) 中的应用。它解决了对这个快速增长但分散的领域进行彻底分析的需要,旨在汇集现有知识并促进进一步发展。我们的研究问题涵盖 AM 的三个主要领域:(i) AM 设计,(ii) AM 建模,以及 (iii) AM 中的监控和控制。我们采用循序渐进的方法,遵循系统评价和荟萃分析的首选报告项目 (PRISMA) 指南,从 Scopus 和 Web of Science 数据库中选择与我们的研究问题一致的论文。我们仅包括在七个主要 AM 类别中实施 DL 的论文——粘合剂喷射、定向能量沉积、材料挤出、材料喷射、粉末床熔合、薄板层压和大桶光聚合。我们的分析揭示了使用深度生成模型(例如生成对抗网络)进行 AM 生成设计的趋势。它还强调了将过程物理学纳入 DL 模型以改进 AM 过程建模和减少数据要求的不断努力。此外,人们对使用 3D 点云数据进行 AM 过程监控的兴趣日益浓厚,除了传统的 1D 和 2D 格式。最后,本文总结了当前的挑战,并推荐了该领域一些有希望的进一步研究机会,特别关注(i)将 DL 模型推广到各种几何类型,(ii)管理 AM 数据和 DL 模型中的不确定性,(iii)通过结合深度生成模型克服有限、不平衡和嘈杂的 AM 数据问题,以及(iv)揭示可解释 DL 用于 AM 的潜力。
土壤:冲积/沙土,含海洋上新世沉积物和鹅卵石,东北朝向 海拔:300 米(985 英尺) 葡萄树年龄:1950 年首次种植,1990 年再次种植,1 万株/公顷。28 个 Massal 无性系(4 个根瘤蚜虫病前)- 精选 Massale(又名 Massal Selection)是法国葡萄酒种植术语,指用来自同一片土地的优质老藤的插枝重新种植新葡萄园的做法。 酿酒:10 月中旬手工采摘。 发酵:使用天然酵母,在可控温的不锈钢大桶中发酵。 浸渍:40 天(20 天,浸没盖子)自然苹果酸乳酸发酵。 陈酿:+5 年,在法国橡木桶和 Botti(20Hl)中陈酿,再加上至少 24 个月的瓶内陈酿。产量:35/40 公升/公顷 品酒笔记:Poggio ai Chiari 是一款展现托斯卡纳桑娇维塞典型优雅的葡萄酒,葡萄园所在的特定地点,以及精心的酿酒工艺使这款葡萄酒精致优雅,能够陈酿多年,不断改进并获得罕见的复杂香气。随着时间的推移,红色水果的典型香气通过一系列第三级香气变得更加复杂,例如香料、皮革、肉桂和肉豆蔻,这些香气支撑着罕见优雅的口感,其中的单宁质地表现出一种丝滑感,这种质感只有来自非常适合葡萄种植的地区(例如 Chiusi 的 Santa Mustiola 地区)的优质红葡萄酒才具有这种质感。生产商信息
航空航天 [ 1 ]、汽车 [ 2 ]、电子 [ 3 ]、医药 [ 4 ]、建筑 [ 5 ] 和医疗保健监测 [ 6 ]。根据美国材料试验协会 (ASTM) 的定义,AM 分为七种工艺:粘合剂喷射、板材层压、直接能量沉积、材料挤出、粉末床熔合、材料喷射和大桶光聚合[ 7 ]。基于 AM 的应用,该领域已对不同工程方面进行了研究。例如,最近的研究工作研究了可持续性 [ 8 ]、机械强度 [ 9 ]、环境影响 [ 10 ] 和不同的焊接应用 [ 11 ]。由于 AM 加工参数(例如粉末大小、打印速度、层厚度、激光功率和光栅方向)对 3D 打印部件的结构完整性和机械性能具有至关重要的影响,因此已经使用不同的方法来优化这些参数并预测打印部件的机械行为 [12 e 17]。例如,最近在 [16] 中,基于一系列拉伸试验确定了 3D 打印聚合物复合材料的强度和刚度。此外,还记录了纤维取向对所检查部件机械性能的影响。在 [17] 中,从微观和宏观层面研究了工艺条件对 3D 打印复合材料制造的影响。在此背景下,基于材料挤出技术打印了短碳纤维增强聚合物复合材料。基于图像的统计分析用于微观结构表征(例如纤维体积分数)。此外,还使用蒙特卡洛采样方法来丰富数据集。结果表明,工艺参数对孔隙产生和孔隙体积分数分布起着至关重要的作用。文献调查显示,与实验实践并行,数值模型和不同的人工智能 (AI) 方法也已用于研究 3D 打印部件的性能特征 [18 e 21]。例如,在 [22] 中,采用 3D 有限元模型来确定工艺参数对陶瓷材料 3D 打印中熔池轮廓和焊珠形状的影响。同时,提出了一种基于物理的分析模型来评估增材制造金属零件中的残余应力 [23]。为此,使用温度分布预测来评估该过程的热特征。据报道,热应力用作计算残余应力的输入。这些先前的研究表明,进行的模拟仅集中在 AM 过程的一个或两个方面。由于快速准确地预测所有机械性能和某些制造方法的整个过程是不切实际的,因此人们使用了数据驱动模型,其统一称为机器学习 (ML) [ 24 和 28 ]。机器学习是一门跨学科的学科,是人工智能的一个分支,它通过算法学习促进了低成本计算[29]。在机器学习方法中,不需要一长串基于物理的方程,而是使用以前的数据。基于机器学习方法的优势,它们已在增材制造领域用于不同目的[30e39]。例如,在[30]中,提出了一种混合机器学习算法来推荐3D打印部件的设计特征。通过3D打印汽车部件的设计检验了所提出的方法。经验不足的设计师可以在设计阶段使用所述方法。基于建议的增材制造设计特征,机器学习算法的功能