selective laser melting
PulseAugur coverage of selective laser melting — every cluster mentioning selective laser melting across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
人工智能和量子计算增强增材制造监控
两篇新研究论文探讨了人工智能和量子计算在增材制造中的应用。第一篇论文详细介绍了一种混合方法，该方法使用机器学习，特别是EfficientNetB0和随机森林的组合，用于激光粉末床熔融（LPBF）中熔池的实时监测。该方法实现了高精度和高效率，优于纯深度学习模型。第二篇论文提出了一种混合量子-经典模型，该模型利用量子计算对LPBF熔池预测中的特征提取，通过利用量子纠缠和叠加，展示了超越经典方法的潜力。
-
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。
-
FEA-PINN 以可比的精度加速熔池模拟
研究人员开发了一个名为 FEA-Regulated Physics-Informed Neural Network (FEA-PINN) 的新框架，用于加速激光粉末床熔融 (LPBF) 中熔池动力学的模拟。这种新方法在推理阶段整合了校正性有限元分析 (FEA) 模拟，以保持物理一致性并减少误差漂移，尤其是在捕捉陡峭梯度方面。FEA-PINN 框架能有效处理动态相变、温度依赖性材料特性和各种对流效应，实现了与传统 FEA 方法相当的精度…
-
LLM系统助力激光粉末床熔融中的可解释缺陷分析
研究人员开发了一种新的决策支持系统，该系统结合了关于缺陷的结构化知识和大型语言模型（LLM），用于分析和指导激光粉末床熔融（LPBF）制造中的缓解策略。该系统利用了集成本体的LLM，其中包含一个包含27种缺陷类型及其因果关系的知识库。它支持自然语言查询以获取缺陷解释和缓解建议，并包括一个多模态图像评估模块，用于解释缺陷图像。评估显示，集成系统取得了0.808的宏平均F1分数，展示了改进的一致性和可解释性。
-
新的图增强分割技术增强了3D打印的原位检测
研究人员开发了一种新颖的图增强分割方法，以改进激光粉末床熔融（L-PBF）增材制造中复杂形状的原位检测。该方法利用嵌入在U-Net架构中的图神经网络来保留全局几何信息，克服了对工业照明和层变化敏感的像素级方法的局限性。该技术在重建几何体方面表现出更高的稳定性和准确性，有望实现对L-PBF生产部件的鲁棒工业检测和验证。