Селективное лазерное спекание полимеров: параметры процесса, подходы машинного обучения и перспективные направления
Selective Laser Sintering of Polymers: Process Parameters, Machine Learning Approaches, and Future Directions
2024-09-13
SCID: 54.1/q45kbv7w
Discuss with AI
система замкнутого цикламониторинг in situмашинное обучениепараметры процессаселективное лазерное спекание
Figures from the paper
Abstract (AI)
Селективное лазерное спекание (SLS) — это технология послойного сплавления в аддитивном производстве, обеспечивающая быстрое, универсальное, детализированное и экономичное изготовление прототипов для различных применений. Она поддерживает широкий спектр термопластов, таких как полиамиды, ABS, поликарбонаты и нейлоны. Тем не менее производство пластиковых деталей с помощью SLS сталкивается с существенными проблемами, такими как низкая прочность, неточности размеров и шероховатая поверхность. Принцип работы SLS заключается в использовании лазера высокой плотности мощности для сплавления поверхностей порошков полимеров или металлов. В статье представлен всесторонний анализ процесса SLS с акцентом на влияние различных параметров обработки на свойства материалов и качество изготовленных деталей. Кроме того, исследование рассматривает применение методов машинного обучения (ML) — контролируемого, неконтролируемого и обучения с подкреплением — для оптимизации процессов, обнаружения дефектов и обеспечения контроля качества в SLS. Обзор рассматривает ключевые проблемы интеграции ML в SLS, включая доступность данных, интерпретируемость моделей и использование предметных знаний. Подчеркиваются потенциальные преимущества сочетания ML с системами мониторинга in situ и стратегиями замкнутого цикла управления для обеспечения корректировок в реальном времени и уменьшения дефектов в процессе изготовления. Наконец, в обзоре очерчены направления будущих исследований с призывом к совместным усилиям исследователей, специалистов промышленности и экспертов предметной области для полного раскрытия потенциала ML в SLS. Данный обзор предоставляет ценные выводы и рекомендации для исследователей в области 3D-печати, выделяя передовые методы и намечая направления для будущих исследований.
Key Findings
1
Различные параметры обработки существенно влияют на свойства материалов и качество изготовленных деталей в SLS, требуя всестороннего анализа и оптимизации.
2
Дальнейший прогресс требует совместных усилий исследователей, промышленности и экспертов предметной области для полного раскрытия потенциала ML в SLS.
3
Ключевые проблемы применения ML в SLS включают доступность данных, интерпретируемость моделей и интеграцию экспертных знаний; сочетание ML с системами замкнутого управления позволяет устранять дефекты в реальном времени.
4
Методы машинного обучения (контролируемое, неконтролируемое, обучение с подкреплением) могут оптимизировать процессы SLS, выявлять дефекты и обеспечивать контроль качества при интеграции с системой мониторинга in situ.
5
SLS обеспечивает быстрое, универсальное, сложное и экономичное прототипирование для множества термопластов (полиамиды, ABS, поликарбонаты, нейлоны).
6
Изделия из пластика, изготовленные методом SLS, страдают от низкой прочности, погрешностей по размерам и грубой поверхности.
Research Object
Селективное лазерное спекание (SLS) полимерного порошка для изготовления деталей
Research Subject
Влияние параметров процесса SLS и интеграция методов машинного обучения (контролируемого, неконтролируемого, с подкреплением) для оптимизации условий процесса, обнаружения дефектов, контроля качества, встроенного мониторинга и замкнутого управления с целью улучшения свойств материала, точности геометрии и качества поверхности напечатанных полимерных деталей
Publication Details
Publication Date
2024-09-13
Journal
Publisher
ISSN
Cited by
70
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest