加速新金属合金三维打印的工艺开发
该论文研究了如何在金属增材制造过程中，当只有少量传感器可用时，如何在线预测未打印零件的热场。该研究提出了一种使用映射和重建的在线热场预测方法，该方法可集成到金属增材制造过程中进行在线性能控制。通过温度曲线的相似性，该方法利用人工神经网络从先前已打印层上某些点的测量温度来估计未打印层上点的温度曲线。利用同一层上几个点的测量 / 预测温度曲线，通过降阶模型（ROM）构建同一层上所有点的温度曲线，以建立整个层的温度场。通过极限学习机（ELM）进行 ROM 的训练，以提高计算效率。通过进行 15 个线电弧增材制造实验和九个具有固定长度和单向打印的薄壁的仿真测试，结果表明所提出的预测方法能够在低成本台式机上在 0.1 秒内构建未打印层的热场。同时，该方法在大多数情况下具有可接受的一般化能力，可从较低层到较高层在同一模拟中以及从一种模拟到另一种模拟的不同增材制造参数上适用。更重要的是，经过有限实验数据的微调后，所有预测温度曲线在新实验中的相对误差非常小，证明了所提出的在线金属增材制造热场预测方法在实际应用中的适用性和泛化能力。
Oct, 2023
本研究提出了一种完整的半自动腐蚀识别和映射系统，利用最新的基于 LiDAR 的定位和映射方法，结合基于视觉的语义分割深度学习技术，构建了工业环境的语义几何地图。与文献中现有的腐蚀识别系统不同，我们设计的多模式系统成本低廉、便携、半自主，并允许非专业人员收集大规模数据集。在室内实验室环境中进行的一系列实验定量地证明了所采用的 LiDAR 基础三维地图和定位系统的高精度性能，并且当使用我们的像素级手动标注数据集进行训练时，我们的数据驱动语义分割模型的精度达到了约 70%。
Apr, 2024
本文通过使用多模式热编码网络，融合具有不同特征的数据，包括视频数据、向量化打印机控制数据和精确的零件热特征签名，从而实现了零件质量的准确预测。
Apr, 2024
在工业 4.0 时代，3D 打印成型工艺作为一种创新且具有成本效益的方法，特别是金属 3D 打印，因其制造高度复杂几何结构的能力而成为重要的贡献者。然而，该行业仍然缺乏实时的过程监控算法。本文提出了可调谐深度图像处理方法（TDIP）来解决实时数据密集型监测需求，并取得了显著的处理时间减少，使得基于视觉的监控能够与过程及质量估计实时集成。
Mar, 2024
本研究利用计算神经科学的方法，使用自组织映射神经网络来识别摩擦搅拌焊接中异种材料的断口位置，即热机械影响区的铜或铝。结果表明，该算法可以以 96.92% 的准确率预测断裂位置。
Aug, 2022
利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。
Jan, 2024
应用实时原位表征和基于主动学习算法的自主系统，在无人干预的情况下，确定特定目标薄膜尺寸的工艺条件，具有高效准确的特点，为加快研究和工业过程提供了重要的启示。
Dec, 2023
通过结合监督式机器学习和基于物理的神经网络，本研究使用先进的方法预测了加性摩擦搅拌沉积（AFSD）过程中的峰值温度分布，为优化材料微结构提供了全面的见解。
Sep, 2023