Vi bruker informasjonskapsler for å forbedre opplevelsen din.Ved å fortsette å surfe på denne nettsiden godtar du vår bruk av informasjonskapsler.Mer informasjon.
En artikkel fra magasinet Polymer Testing studerer og sammenligner kvaliteten på flere polymerkomposittmaterialer produsert ved hjelp av 3D-utskriftsteknologi, som morfologi og overflatetekstur, mekaniske egenskaper og termiske egenskaper.
Forskning: Nanopartikkel-infunderte plastprodukter laget av 3D-printere veiledet av maskinlæring.Bildekilde: Pixel B/Shutterstock.com
De produserte polymerkomponentene krever forskjellige kvaliteter i henhold til deres formål, hvorav noen kan tilveiebringes ved å bruke polymerfilamenter sammensatt av forskjellige mengder av flere materialer.
En gren av additiv produksjon (AM), kalt 3D-utskrift, er en banebrytende teknologi som blander materialer for å lage produkter basert på 3D-modelldata.
Derfor er avfallet som genereres av denne prosessen relativt lite.3D-utskriftsteknologi brukes i dag i ulike applikasjoner, inkludert storskala produksjon av ulike gjenstander, og bruksmengden vil bare øke.
Denne teknologien kan nå brukes til å produsere objekter med komplekse strukturer, lette materialer og tilpassbare design.I tillegg har 3D-utskrift fordelene med effektivitet, bærekraft, allsidighet og risikominimering.
En av de viktigste aspektene ved denne teknologien innebærer å velge de riktige parameterne fordi de har stor innflytelse på produktet, slik som form, størrelse, kjølehastighet og termisk gradient.Disse egenskapene påvirker deretter utviklingen av mikrostrukturen, dens egenskaper og defekter.
Maskinlæring kan brukes til å etablere forholdet mellom prosessforhold, mikrostruktur, komponentform, sammensetning, defekter og mekanisk kvalitet til et spesifikt trykt produkt.Disse tilkoblingene kan bidra til å redusere antallet forsøk som kreves for å produsere høykvalitets output.
Høydensitetspolyetylen (HDPE) og polymelkesyre (PLA) er de to mest brukte polymerene i AM.PLA brukes som hovedmateriale for mange bruksområder fordi det er bærekraftig, økonomisk, biologisk nedbrytbart og har utmerkede egenskaper.
Resirkulering av plast er et stort problem verden står overfor;derfor vil det være svært fordelaktig å inkorporere resirkulerbar plast i 3D-utskriftsprosessen.
Ettersom utskriftsmaterialet kontinuerlig mates inn i kondensatoren, holdes temperaturen på et jevnt nivå under avsetning av smeltet filamentproduksjon (FFF) (en type 3D-utskrift).
Derfor blir den smeltede polymeren kastet ut gjennom dysen ved trykkreduksjonen.Overflatemorfologi, utbytte, geometrisk nøyaktighet, mekaniske egenskaper og kostnader påvirkes alle av FFF-variabler.
Strekk-, trykk- eller bøyestyrke og trykkretning anses å være de viktigste prosessvariablene som påvirker FFF-prøver.I denne studien ble FFF-metoden brukt til å forberede prøver;seks forskjellige filamenter ble brukt til å konstruere prøvelaget.
a: ML prediksjonsparameter optimeringsmodell av 3D-skrivere i prøve 1 og 2, b: ML prediksjonsparameter optimeringsmodell av 3D-skrivere i prøve 3, c: ML prediksjonsparameter optimeringsmodeller av 3D-skrivere i prøve 4 og 5. Bildekilde: Hossain , MI osv.
3D-utskriftsteknologi kan kombinere den utmerkede kvaliteten på utskriftsprosjekter som ikke kan oppnås med tradisjonelle produksjonsmetoder.På grunn av den unike produksjonsmetoden for 3D-utskrift, blir kvaliteten på produserte deler sterkt påvirket av design- og prosessvariabler.
Maskinlæring (ML) har blitt brukt på mange måter i additiv produksjon for å forbedre hele utviklings- og produksjonsprosessen.Det er utviklet en databasert avansert designmetode for FFF og et rammeverk for optimalisering av FFF-komponentdesign.
Forskerne estimerte dysetemperaturen ved hjelp av forslag til maskinlæring.ML-teknologi brukes også til å beregne utskriftssengens temperatur og utskriftshastighet;samme størrelse er satt for alle prøver.
Resultatene viser at flytbarheten til materialet direkte påvirker kvaliteten på 3D-utskriften.Bare riktig dysetemperatur kan sikre den nødvendige flyten til materialet.
I dette arbeidet blir PLA, HDPE og resirkulerte filamentmaterialer blandet med TiO2 nanopartikler og brukt til å produsere rimelige 3D-trykte objekter av kommersielle smeltede filamenter som produserer 3D-skrivere og filamentekstrudere.
De karakteristiske filamentene er nye og bruker grafen for å generere et vanntett belegg, som kan redusere eventuelle endringer i de grunnleggende mekaniske egenskapene til det ferdige produktet.Utsiden av den 3D-printede komponenten kan også behandles.
Hovedmålet med dette arbeidet er å finne en måte å oppnå en mer pålitelig og rikere mekanisk og fysisk kvalitet i 3D-printede gjenstander sammenlignet med tradisjonelle 3D-printede gjenstander som vanligvis produseres.Resultatene og anvendelsene av denne forskningen kan bane vei for utviklingen av en rekke industrirelaterte programmer.
Fortsett å lese: Hvilke nanopartikler er best for additiv produksjon og 3D-utskrift?
Hossain, MI, Chowdhury, MA, Zahid, MS, Sakib-Uz-Zaman, C., Rahaman, ML, & Kowser, MA (2022) Utvikling og analyse av nanopartikkel-infunderte plastprodukter laget av 3D-skrivere veiledet av maskinlæring.Polymertesting, 106. Tilgjengelig fra følgende URL: https://www.sciencedirect.com/science/article/pii/S014294182100372X?via%3Dihub
Ansvarsfraskrivelse: Synspunktene som uttrykkes her er de som er uttrykt av forfatteren i en personlig egenskap, og representerer ikke nødvendigvis synspunktene til eieren og operatøren av denne nettsiden, AZoM.com Limited T/A AZoNetwork.Denne ansvarsfraskrivelsen utgjør en del av vilkårene og betingelsene for bruk av denne nettsiden.
Varm svette, Shahir.(5. desember 2021).Maskinlæring optimaliserer 3D-trykte produkter som resirkulerer plast.AZoNano.Hentet fra https://www.azonano.com/news.aspx?newsID=38306 6. desember 2021.
Varm svette, Shahir."Maskinlæring optimaliserer 3D-trykte produkter fra resirkulert plast."AZoNano.6. desember 2021..
Varm svette, Shahir."Maskinlæring optimaliserer 3D-trykte produkter fra resirkulert plast."AZoNano.https://www.azonano.com/news.aspx?newsID=38306.(Åpnet 6. desember 2021).
Varm svette, Shahir.2021. Maskinlæring optimaliserer 3D-printede produkter fra resirkulert plast.AZoNano, sett 6. desember 2021, https://www.azonano.com/news.aspx?newsID=38306.
AZoNano snakket med Dr. Jinian Yang om hans deltakelse i forskning på fordelene med blomsterlignende nanopartikler på ytelsen til epoksyharpikser.
Vi diskuterte med Dr. John Miao at denne forskningen har endret vår forståelse av amorfe materialer og hva det betyr for den fysiske verden rundt oss.
Vi diskuterte NANO-LLPO med Dr. Dominik Rejman, en sårbandasje basert på nanomaterialer som fremmer helbredelse og forhindrer infeksjon.
P-17 stylus profiler overflatemålingssystem gir utmerket måling repeterbarhet for konsekvent måling av 2D og 3D topografi.
Profilm3D-serien gir rimelige optiske overflateprofiler som kan generere høykvalitets overflateprofiler og ekte fargebilder med ubegrenset dybdeskarphet.
Raiths EBPG Plus er det ultimate produktet av høyoppløselig elektronstrålelitografi.EBPG Plus er rask, pålitelig og høy gjennomstrømming, ideell for alle dine litografibehov.
Innleggstid: Des-07-2021