Vi bruger cookies til at forbedre din oplevelse.Ved at fortsætte med at browse på denne hjemmeside accepterer du vores brug af cookies.Mere information.
En artikel fra magasinet Polymer Testing studerer og sammenligner kvaliteten af adskillige polymerkompositmaterialer fremstillet ved hjælp af 3D-printteknologi, såsom morfologi og overfladetekstur, mekaniske egenskaber og termiske egenskaber.
Forskning: Nanopartikel-infunderede plastprodukter fremstillet af 3D-printere styret af maskinlæring.Billedkilde: Pixel B/Shutterstock.com
De fremstillede polymerkomponenter kræver forskellige kvaliteter i henhold til deres formål, hvoraf nogle kan tilvejebringes ved at bruge polymerfilamenter sammensat af forskellige mængder af flere materialer.
En gren af additiv fremstilling (AM), kaldet 3D-print, er en banebrydende teknologi, der blander materialer for at skabe produkter baseret på 3D-modeldata.
Derfor er affaldet, der genereres ved denne proces, relativt lille.3D-printteknologi bruges i øjeblikket i forskellige applikationer, herunder storskala fremstilling af forskellige emner, og mængden af brug vil kun stige.
Denne teknologi kan nu bruges til at fremstille objekter med komplekse strukturer, letvægtsmaterialer og tilpassede designs.Derudover har 3D-print fordelene ved effektivitet, bæredygtighed, alsidighed og risikominimering.
Et af de vigtigste aspekter af denne teknologi involverer at vælge de rigtige parametre, fordi de har stor indflydelse på produktet, såsom dets form, størrelse, kølehastighed og termiske gradient.Disse kvaliteter påvirker derefter udviklingen af mikrostrukturen, dens karakteristika og defekter.
Maskinlæring kan bruges til at etablere forholdet mellem procesbetingelser, mikrostruktur, komponentform, sammensætning, defekter og mekanisk kvalitet af et specifikt trykt produkt.Disse forbindelser kan hjælpe med at reducere antallet af forsøg, der kræves for at producere output af høj kvalitet.
Højdensitetspolyethylen (HDPE) og polymælkesyre (PLA) er de to mest almindeligt anvendte polymerer i AM.PLA bruges som hovedmateriale til mange anvendelser, fordi det er bæredygtigt, økonomisk, biologisk nedbrydeligt og har fremragende egenskaber.
Genbrug af plast er et stort problem, som verden står over for;derfor ville det være meget fordelagtigt at inkorporere genanvendeligt plastik i 3D-printprocessen.
Da trykmaterialet kontinuerligt føres ind i fortætteren, holdes temperaturen på et ensartet niveau under aflejring af smeltet filamentfremstilling (FFF) (en type 3D-udskrivning).
Derfor udstødes den smeltede polymer gennem dysen ved trykreduktionen.Overflademorfologi, udbytte, geometrisk nøjagtighed, mekaniske egenskaber og omkostninger påvirkes alle af FFF-variabler.
Trækstyrke, trykstød eller bøjningsstyrke og trykretning anses for at være de vigtigste procesvariabler, der påvirker FFF-prøver.I denne undersøgelse blev FFF-metoden brugt til at fremstille prøver;seks forskellige filamenter blev brugt til at konstruere prøvelaget.
a: ML-forudsigelsesparameteroptimeringsmodel for 3D-printere i prøve 1 og 2, b: ML-forudsigelsesparameteroptimeringsmodel af 3D-printere i prøve 3, c: ML-forudsigelsesparameteroptimeringsmodeller af 3D-printere i prøve 4 og 5. Billedkilde: Hossain , MI osv.
3D-printteknologi kan kombinere den fremragende kvalitet af printprojekter, som ikke kan opnås med traditionelle produktionsmetoder.På grund af den unikke produktionsmetode for 3D-print, er kvaliteten af fremstillede dele i høj grad påvirket af design- og procesvariabler.
Machine learning (ML) er blevet brugt på mange måder i additiv fremstilling for at forbedre hele udviklings- og fremstillingsprocessen.Der er udviklet en databaseret avanceret designmetode til FFF og en ramme til optimering af FFF komponentdesign.
Forskerne estimerede dysetemperaturen ved hjælp af forslag til maskinlæring.ML-teknologi bruges også til at beregne printlejetemperaturen og printhastigheden;den samme størrelse er indstillet for alle prøver.
Resultaterne viser, at materialets fluiditet direkte påvirker kvaliteten af 3D-printet.Kun den korrekte dysetemperatur kan sikre den nødvendige fluiditet af materialet.
I dette arbejde blandes PLA, HDPE og genbrugte filamentmaterialer med TiO2 nanopartikler og bruges til at fremstille billige 3D-printede objekter af kommercielle smeltede filamentfremstillingsmaskiner, der fremstiller 3D-printere og filamentekstrudere.
De karakteristiske filamenter er nye og bruger grafen til at generere en vandtæt belægning, som kan reducere eventuelle ændringer i de grundlæggende mekaniske egenskaber af det færdige produkt.Ydersiden af den 3D-printede komponent kan også behandles.
Hovedmålet med dette arbejde er at finde en måde at opnå en mere pålidelig og rigere mekanisk og fysisk kvalitet i 3D-printede emner sammenlignet med traditionelle 3D-printede emner, der normalt produceres.Resultaterne og anvendelserne af denne forskning kan bane vejen for udviklingen af adskillige industrirelaterede programmer.
Fortsæt med at læse: Hvilke nanopartikler er bedst til additiv fremstilling og 3D-printapplikationer?
Hossain, MI, Chowdhury, MA, Zahid, MS, Sakib-Uz-Zaman, C., Rahaman, ML, & Kowser, MA (2022) Udvikling og analyse af nanopartikel-infunderede plastprodukter lavet af 3D-printere styret af maskinlæring.Polymertestning, 106. Tilgængelig fra følgende URL: https://www.sciencedirect.com/science/article/pii/S014294182100372X?via%3Dihub
Ansvarsfraskrivelse: De synspunkter, der er udtrykt her, er dem, der er udtrykt af forfatteren i personlig egenskab, og repræsenterer ikke nødvendigvis synspunkterne fra ejeren og operatøren af denne hjemmeside, AZoM.com Limited T/A AZoNetwork.Denne ansvarsfraskrivelse er en del af vilkårene og betingelserne for brug af denne hjemmeside.
Varm sved, Shahir.(5. december 2021).Maskinlæring optimerer 3D-printede produkter, der genbruger plastik.AZoNano.Hentet fra https://www.azonano.com/news.aspx?newsID=38306 den 6. december 2021.
Varm sved, Shahir."Machine learning optimerer 3D-printede produkter fra genbrugsplast."AZoNano.6. december 2021..
Varm sved, Shahir."Maskinlæring optimerer 3D-printede produkter fra genbrugsplast."AZoNano.https://www.azonano.com/news.aspx?newsID=38306.(Få adgang den 6. december 2021).
Varm sved, Shahir.2021. Machine learning optimerer 3D-printede produkter fra genbrugsplast.AZoNano, set den 6. december 2021, https://www.azonano.com/news.aspx?newsID=38306.
AZoNano talte med Dr. Jinian Yang om hans deltagelse i forskning i fordelene ved blomsterlignende nanopartikler på ydeevnen af epoxyharpikser.
Vi diskuterede med Dr. John Miao, at denne forskning har ændret vores forståelse af amorfe materialer, og hvad det betyder for den fysiske verden omkring os.
Vi diskuterede NANO-LLPO med Dr. Dominik Rejman, en sårforbinding baseret på nanomaterialer, der fremmer heling og forhindrer infektion.
P-17 stylus profiler overflademålingssystem giver fremragende måling repeterbarhed til ensartet måling af 2D og 3D topografi.
Profilm3D-serien giver overkommelige optiske overfladeprofilere, der kan generere højkvalitets overfladeprofiler og ægte farvebilleder med ubegrænset dybdeskarphed.
Raiths EBPG Plus er det ultimative produkt af højopløsnings elektronstrålelitografi.EBPG Plus er hurtig, pålidelig og høj kapacitet, ideel til alle dine litografibehov.
Posttid: Dec-07-2021