9 декабря, 2024

SolusNews.com

Последние новости

ORNL выпускает бесплатные наборы данных, распечатанные на 3D-принтере, для анализа деталей

ORNL выпускает бесплатные наборы данных, распечатанные на 3D-принтере, для анализа деталей

Национальная лаборатория Окриджа Министерства энергетики General Electric опубликовала новый набор данных аддитивного производства, которые промышленность и исследователи могут использовать для оценки и улучшения качества 3D-печатных компонентов. Обширность наборов данных может значительно улучшить усилия по проверке качества деталей, изготовленных аддитивным способом, используя только информацию, собранную во время печати, без необходимости дорогостоящего и трудоемкого анализа после производства.

Данные собирались регулярно в течение десяти лет в производственном демонстрационном комплексе Министерства энергетики Оклендской национальной лаборатории, где ранние исследования в области передового производства в сочетании с всесторонним анализом полученных компонентов позволили создать огромный кладезь информации о том, как работают 3D-принтеры. Многолетний опыт расширения границ 3D-печати с использованием новых материалов, машин и средств управления предоставил Оклендской национальной лаборатории уникальную возможность разрабатывать комплексные наборы данных и обмениваться ими. Последний набор данных теперь доступен бесплатно через Онлайн-платформа.

Традиционная обрабатывающая промышленность извлекает выгоду из многовекового опыта контроля качества. Однако аддитивное производство — это новый, нетрадиционный подход, который обычно основан на дорогостоящих методах оценки для контроля качества деталей. Эти методы могут включать в себя разрушительные механические испытания или неразрушающую рентгеновскую томографию, которая создает подробные изображения поперечного сечения объектов, не повреждая их. Несмотря на свою полезность, эти методы имеют ограничения — например, их сложно использовать на больших деталях. Комплексные наборы данных ORNL для 3D-печати можно использовать для обучения моделей машинного обучения для улучшения оценки качества любого компонента.

«Мы предоставляем заслуживающие доверия наборы данных для использования в процессе сертификации продукции», — сказал Винсент Пакетт, руководитель отдела цифрового и безопасного производства Оклендской национальной лаборатории. «Это платформа управления данными, предназначенная для того, чтобы рассказать полную историю о компоненте, изготовленном аддитивным способом. Цель состоит в том, чтобы использовать измерения в процессе производства для прогнозирования характеристик печатных деталей».

READ  Популярная игра для Xbox стала кроссплатформенной

Набор данных объемом 230 ГБ охватывает проектирование, печать и тестирование пяти наборов деталей различной геометрии, изготовленных с использованием системы лазерной порошковой печати. Исследователи имеют доступ к данным датчиков состояния оборудования, траекториям лазерного сканирования, 30 000 изображений лазерного порошка и 6300 тестам прочности материалов на разрыв.

Это четвертый и самый обширный набор данных по аддитивному производству, который Оклендская национальная лаборатория делает общедоступным. Предыдущие наборы данных были сосредоточены на строительных деталях, изготовленных с использованием электронно-лучевой порошковой и струйной печати на древесноволокнистых плитах средней плотности. В наборах данных можно искать конкретную информацию, необходимую для понимания механизмов редких отказов, разработки программ онлайн-анализа или моделирования свойств материалов.

MDF, поддерживаемый Управлением передовых материалов и производственных технологий Министерства энергетики США, представляет собой национальный консорциум сотрудников, работающих с Национальной лабораторией Ок-Ридж с целью внедрения инноваций, вдохновения и катализа преобразований в производстве в США.

Исследователи Оклендской национальной лаборатории продемонстрировали, как применять наборы данных, обучая алгоритм машинного обучения с использованием измерений, выполненных в процессе 3D-печати. Используя методы высокопроизводительных вычислений, обученный алгоритм может надежно предсказать, пройдет ли механическое испытание или нет. Это также позволило на 61% меньше ошибок при прогнозировании предельного предела прочности детали.

Связь измерений в процессе производства с конечным продуктом является ключом к обеспечению уверенности в том, когда необходимы дополнительные испытания деталей, а когда нет. «Это важный фактор для развития аддитивного производства в масштабах всей отрасли, поскольку они не могут себе позволить определять характеристики каждой детали», — сказал Пакетт. «Использование этих данных может помочь им уловить связь между намерениями, производством и результатами».

Полученные данные были частью Программы передовых материалов и производственных технологий, финансируемой Управлением ядерной энергетики Министерства энергетики. Эти и другие подходы к интеллектуальному производству используются для ускорения разработки, квалификации, демонстрации и внедрения передовых производственных технологий, обеспечивающих надежную и экономичную ядерную энергетику.

READ  Разработчик сериала The Simpsons Hit & Run рассказал о «странном решении» отменить вторую часть