查爾斯大學計算機圖形小組 (CGG) 的研究人員開發(fā)了一種基于機器學習 (ML) 的技術(shù)，可以幫助釋放高保真彩色 3D打印的潛力。通過不斷模擬打印過程，該團隊成功地訓練了一種算法，以迭代地找到限制顏色滲色和提高零件精度的最佳參數(shù)。該程序也非常高效，只需要一個 GPU，使其比類似的 AI 方法快 300 倍，同時將打印準備時間從幾十小時減少到幾分鐘。

使用團隊的新機器學習軟件創(chuàng)建的三色 3D 打印模型。圖片來自查爾斯大學。

彩色3D打印的速度限制

目前，許多材料噴射 (MJ) 3D 打印機能夠生產(chǎn)具有復雜顏色變化的零件，因此它們通常用于重建高度詳細的人工制品和手術(shù)模型。為了實現(xiàn)這一點，傳統(tǒng)的 MJ 系統(tǒng)使用紫外線來精確固化不同的半透明基色樹脂混合物，這種減法混合過程為它們提供了相當廣泛的調(diào)色板。

然而，盡管彩色 3D 打印具有靈活性，但它可能會導致不需要的光學散射，從而影響任何生成部件的清晰度和準確性。鑒于這種滲色是三維的，當它發(fā)生時，它還會影響薄壁物體內(nèi)相對側(cè)的顏色，使其成為大規(guī)模精確生產(chǎn)的重大障礙。早在 2017 年，研究人員就證明了在打印過程中使用模擬來優(yōu)化材料放置的可行性，從而確保部件的最佳清晰度和對比度。現(xiàn)在，基于數(shù)百萬次測試運行，該團隊創(chuàng)建了一種改進的算法，能夠更準確地預測給定表面如何受到周圍材料的影響，從而加快整個過程。

使用“蒙特卡羅”預測模型開發(fā)的合成數(shù)據(jù)集示例。圖片來自查爾斯大學。

另一種光散射模型

傳統(tǒng)上，預測紫外線傳播的方向涉及使用所謂的“蒙特卡羅”（MC）模擬模型。盡管此類方法通常很有效，但它們可能需要數(shù)小時才能完成，即使使用高端系統(tǒng)來生產(chǎn)非常小的物體，也會造成瓶頸，從而阻止復雜彩色零件的可擴展生產(chǎn)。為了解決這個問題，研究人員采用了一種數(shù)據(jù)驅(qū)動的方法，在該方法中，他們使用深度神經(jīng)網(wǎng)絡(luò)來模擬減少樣本數(shù)量的產(chǎn)生，但代價是結(jié)果差異更大。盡管該團隊的改進循環(huán)導致了一些較低質(zhì)量的預測，但對參考對象進行建模只需要 30 個小時，遠少于 MC 驅(qū)動軟件預計的 3,000 多個小時。

還發(fā)現(xiàn)修改后的算法在基本形狀和復雜幾何形狀之間比現(xiàn)有程序更好地泛化，可能使其成為進行更廣泛的 3D 打印準備的理想選擇。更重要的是，在單 GPU 工作站上進行測試時，團隊的軟件運行速度是以前的兩倍，避免了組裝以前執(zhí)行 ML 任務(wù)所需的計算機集群的需要。事實上，與現(xiàn)有的 MJ 3D 打印工作流程相比，研究人員的速度提高了 300 倍，所得到的樣本的質(zhì)量水平與具有“感知更清晰”顏色的傳統(tǒng)模型相似，盡管他們的設(shè)置最終確實執(zhí)行了創(chuàng)建薄壁對象時效果較差。

研究人員在他們的論文中總結(jié)道：“[我們的] 3D 打印管道在質(zhì)量上與以前的工作相匹配，同時通?？?100 到 300 倍。盡管任何數(shù)據(jù)驅(qū)動模型的通用性有限，但該網(wǎng)絡(luò)可以很好地泛化到看不見的幾何形狀和材料值。這種穩(wěn)健性為我們的實際部署提供了解決方案?！?/span>

機器學習驅(qū)動的 AM 優(yōu)化

僅在過去的 12 個月中，ML 算法就發(fā)現(xiàn)了廣泛的 3D 打印應(yīng)用。就在去年，數(shù)據(jù)專家 Senvol 與美國陸軍研究實驗室簽約，使用其專有的 ML 軟件作為開發(fā)靈活計劃的一種手段，以對 3D 打印導彈部件進行合格評定。在其他地方，阿貢國家實驗室和德克薩斯農(nóng)工大學的研究人員使用實時溫度數(shù)據(jù)和機器學習軟件來實現(xiàn)先進的 3D 打印缺陷檢測。具體來說，科學家們已經(jīng)能夠?qū)⒘慵臒釟v史與激光粉末床融合過程中亞表面缺陷的形成相關(guān)聯(lián)。

同樣，紐約大學的一個團隊成功地使用機器學習工具對玻璃和碳纖維 3D 打印組件進行逆向工程。 利用測試樣本的 CT 掃描，研究人員能夠有效地“竊取”他們的設(shè)計，并將其重新創(chuàng)建到原始設(shè)計的 0.33% 以內(nèi)。

來源：https://www.3ddayin.net/xinwenpindao/xin3Ddayinjishu/40371.html