Additive Manufacturing
PulseAugur coverage of Additive Manufacturing — every cluster mentioning Additive Manufacturing across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的机器学习方法融合物理学和数据以改进敏感性分析
研究人员开发了新的物理信息机器学习策略，通过有效地结合基于物理的模型和实验数据来改进全局敏感性分析（GSA）。该研究探讨了两种机器学习技术：深度神经网络（DNN）和高斯过程（GP）建模，以及两种整合物理知识的方法：在损失函数中强制执行物理约束，以及使用模拟数据进行预训练，然后使用实验数据进行更新。结果表明，与GP模型相比，基于DNN的模型在敏感性估计上提供了更小的界限，并在增材制造和湖泊温度建模中展示了应用。
-
新框架通过持续学习提高数字孪生可靠性
研究人员开发了一个新框架，以提高数字孪生（物理系统的虚拟模型）的可靠性。该框架解决了“概念漂移”问题，即随着现实世界条件的变化，虚拟模型的准确性会随时间下降。它集成了新颖的漂移检测系统、使用低秩自适应（LoRA）的高效参数高效持续学习以及统计验证，以确保更新能提高预测性能。该框架在随机线性系统和增材制造过程中进行了测试，成功地维持了基于神经网络的数字孪生的准确性和不确定性量化。
-
新的AI方法通过基于注意力的强化学习优化增材制造
研究人员开发了一种新颖的方法，通过集成多头注意力机制与软Actor-Critic (SAC) 算法来优化增材制造过程。该方法利用连续动作空间和基于注意力的特征提取器，解决了传统强化学习 (RL) 的局限性，提高了智能体捕捉细微输入变化的能力。与DQN、PPO和TD3等标准RL技术相比，增强的SAC算法在激光粉末床熔融的孔隙率预测和工艺参数优化方面表现出更快的收敛速度和更高的奖励。
-
NIST开发激光搅拌3D打印技术以定制合金
美国国家标准与技术研究院（NIST）的研究人员开发了一种新颖的金属3D打印技术，该技术在打印过程中使用椭圆激光路径搅拌熔融金属。这种基于软件的修改允许现有设备按需制造定制合金，克服了不同金属分离的倾向。该技术已在阿贡国家实验室得到验证，成功地实时混合了高熵合金和钛合金。
-
LLM-ADAM框架增强增材制造异常检测
研究人员开发了LLM-ADAM，一个利用大型语言模型检测增材制造G代码文件异常的新型框架。该系统将任务分解为不同的角色：Extractor-LLM用于构建工艺参数，Reference-LLM用于解释文档，Judge-LLM用于识别偏差。在200个FFF G代码文件语料库上进行评估，最佳配置实现了87.5%的准确率，用于检测欠挤出和翘曲等缺陷，显著优于基线模型。
-
华数高科拟募资39.1亿元扩张先进增材制造装备产能
华数高科拟通过定增募资不超过39.1亿元，用于先进增材制造装备产能扩张、增材制造全流程服务平台开发以及全球运营中心建设。公司同时披露了回购股份意向，已回购170万股，成交均价为28.985元/股，累计支付超4900万元。
-
物联网增强型CNN以99.54%的准确率检测增材制造中的裂纹
研究人员开发了一个物联网增强型深度学习系统，用于检测增材制造中的裂纹。该框架集成了实时监控、边缘计算和卷积神经网络（CNN），在缺陷分类方面实现了高准确率。它支持监督和半监督学习，在一个大型数据集上展示了99.54%的准确率，并通过数据平衡和增强提高了泛化能力。该系统还将制造参数与缺陷形成联系起来，并整合了数字孪生技术用于预测分析和过程控制。