悬空区域侧损失双层次智能改善方法
1.
2.
3.
A double-level intelligent improvement approach for overhangs on side loss
1.
2.
3.
通讯作者:
收稿日期: 2023-06-12 修回日期: 2023-07-19 接受日期: 2023-07-26
基金资助: |
|
Received: 2023-06-12 Revised: 2023-07-19 Accepted: 2023-07-26
作者简介 About authors
李欣菁(1999—),ORCID:https//orcid.org/0009-0008-3624-9955,女,硕士研究生,主要从事3D打印研究. 。
关键词:
Keywords:
本文引用格式
李欣菁, 潘万彬, 杨烨, 王毅刚, 林成.
LI Xinjing, PAN Wanbin, YANG Ye, WANG Yigang, LIN Cheng.
零件成型件上几何误差分布不均匀、误差值不稳定且难以用简单的方程式预测等是3D打印的典型特征[1]。其中成型悬空区域(形状复杂的零件在3D打印时通常存在悬空区域)的误差往往在所有零件成型区域中最明显。因此,为提升零件成型件的精度(降低几何误差),越来越多的研究聚焦于改善悬空区域成型后的几何误差。
图1
为进一步改善局部区域的几何误差,进行几何形状预补偿往往是理想的选择。通过预先调整零件局部形状,减小成型件悬空区域几何误差。典型的工作有基于机器学习的方法[14]、基于统计模型的方法[15]、基于仿真的方法[5,16-17]等。其中,基于仿真的方法不确定性因素较多、耗时长且准确性较差,基于机器学习的方法通常比其他方法更准确且更节省成本[18],因此关注度较高。在现有的基于机器学习的几何形状预补偿方法中,最常用的是人工神经网络方法[19-20],因其能够学习数据集中复杂的潜在关系,并能进行准确快速地预测[21]。总体来说,现有的基于机器学习的几何预补偿方法,通常是针对特定模型设计的,专用性较强,但仍具有较好的借鉴作用。
机械产品通常有精度需求,若未达精度,则需进行后处理。成型件精度较高可减少后处理成本,如切割所带来的成本损耗。针对上述问题,本文提出一种悬空区域侧损失双层次智能改善方法,将工艺参数优化与几何预补偿相结合,从整体和局部两个层次改善悬空区域的侧面精度。尽管悬空区域的形状各式各样,但倒“L”形最为常见,如窗框、椅背、收纳盒等。为此,本文以倒“L”形零件为研究对象,以改善该类零件悬空区域侧损失为目标。通常悬空区域侧面的几何误差并不均匀且具有不确定性,为使本文方法具有通用性且节约时间和材料,同时可自动或半自动地帮助设计人员快速解决模型局部出现的问题,使具有类似形状、不同尺寸的模型均可用本文方法补偿悬空区域侧面,提高成型精度,提出基于机器学习(单隐层神经网络)预测侧损失、通过求解数学规划(单目标多变量非线性规划)问题优化侧损失、进行几何预补偿的双层次智能改善方法。
1 相关工作
1.1 工艺参数优化
在打印零件时,工艺参数的选择会影响成型件的整体/平均精度。DONG等[7]提出一种田口方法,通过优化层厚、打印温度和打印速度减少熔融沉积(fused filament fabrication,FFF)工艺的尺寸误差。BINTARA等[9]通过研究FFF工艺发现,成型件的整体精度是由层厚决定的,实验结果表明,生产具有光滑表面的成型件对低层厚有要求,但低层厚需要更多的打印时间,增加了成本。KUO等[10]采用田口方法研究了减少使用ABS材料成型件变形的最佳工艺参数,得到影响成型件翘曲的主要因素是打印温度,最佳为230 ℃,其次是腔室温度,最佳为43 ℃。CHINCHANIKAR等[12]的研究发现,FFF零件的表面粗糙度随填充密度的增加而减小,随层厚、打印速度和打印温度的增加而增加。LEIPENG等[26]研究了喷嘴直径、打印温度、打印速度和层厚等参数的影响,通过改变这些参数以获得更高的抗张强度和更低的表面粗糙度,并使得成型件的打印时间更短。MOHAMED等[27]研究了FFF工艺参数变化对几何精度的影响,得到成型件尺寸、打印温度和层厚对成型件精度有显著影响。BODDULA等[28]研究了打印温度、打印速度、层厚和填充密度对PLA材料成型件精度的影响,得到的最佳参数为打印速度60 mm·s-1、层厚0.25 mm、打印温度210 ℃、填充密度60%。
1.2 几何预补偿
几何预补偿可有效提升成型件的局部精度。TONG等[29-30]开发了基于立体光刻(stereolithography,STL)和切片的补偿方法,以最小化成型件的几何误差。HUANG等[31]建立了面内(x-y平面)形状变形的最优补偿策略,以最小化体积和表面误差,实验结果表明,该补偿方法能改善圆柱形成型件的几何误差;随后将建模和补偿方法从圆柱形扩展到多边形[32];并将该方法继续推广到任意自由形状[33]。作为典型的基于机器学习的研究,HONG等[19]训练了一个人工神经网络,预测具有不同悬空角度的桁架横截面的几何误差。CHOWDHURY等[20]提出了一种基于人工神经网络(ANN)的几何补偿方法,补偿成型件的计算机辅助设计(CAD)几何形状,以抵消制造成型件的热收缩和变形;同时提出了最小化几何误差的两步法[24],第一步,用加权优化模型确定最优打印方向,第二步,用基于人工神经网络的几何补偿方法在成型件最优方向进行适当的几何修改。MATTHEW等[34]采用基于神经网络的方法,通过扫描几何形状的误差学习几何形状的变形,修改STL文件生成新的补偿STL文件,然后打印零件并比较变形大小,对补偿后的STL文件进行验证。
2 方法概述
悬空区域侧损失会影响悬空区域乃至零件的成型精度,但改善侧损失的有效方法较少见,为此,提出一种悬空区域侧损失双层次智能改善方法。考虑悬空区域侧损失不均匀且具有明显的不确定性,为使侧损失的预测更加准确,用单隐层神经网络构建侧损失预测网络。为达到双层次改善悬空区域侧损失的目的,基于粒子群优化算法优化工艺参数和侧损失,并用优化后的参数进行打印。方法流程图如图2所示。
图2
由于step 4不属于本文的重点工作,所以不做介绍,下文重点介绍step 1、step 2和step 3的设计与实现。
3 侧损失样本数据的测量与采集
为提升本文方法的通用性,与现有的相关工作相一致[2,6,35],以典型的倒“L”形悬空区域为研究对象,其中悬空区域位于水平方向(平行于制造平面),由位于悬空区域左侧的垂直脚支撑。考虑模型成型后在竖直方向上的受力,该打印方向对成型件受力性能的要求最高。此外,一些形状复杂的零件通常呈倒“L”形,往往无法对零件方向进行有效调整。大量实验表明,模型的长度和高度对侧损失的影响较小,但模型厚度N、悬空高度H和垂直脚宽度W对悬空区域侧损失影响很大,因此本文将基准模型的长度和高度分别固定为20和15 mm,如图3(a)和(b)所示,打印后的带支撑的成型件如图3(c)所示。为提升机器学习(单隐层神经网络)的效率和效果、减少打印材料的损耗,基于田口法设计了一系列关键参数取不同值时的倒“L”形零件(第6节)。用不同的关键工艺参数值打印倒“L”形零件,并测量打印件侧损失样本数据。
图3
图4
图4
与基准模型轮廓相关的几何特征集
Fig.4
A set of geometric features related to the contour of the benchmark model
确定了模型的设计参数后,基于当前的工艺设备,通过大量实验,选择对侧损失影响较大的工艺参数:打印温度T和层厚C,将其余的对侧损失影响较小的工艺参数设为恒定值。此外,每个打印基准模型的侧面由于收缩不均匀呈现的误差通常是不规则的,针对倒“L”形悬空区域支撑情况迥异的两侧(悬空侧和非悬空侧),为使测量结果更准确、合理,且使后续误差预测和补偿更灵活,需要分别逐点测量成型件两侧的侧损失。因此,在悬空区域左右两侧,分别以A,B为原点建立2个坐标系,在此坐标系下进行测量,测量标准如图5所示。
图5
为统一描述每个成型件两侧不同点Pi 和Qi 的几何误差,分别用七维形式描述:(Ti,Ci,Ni,Hi,Wi,hi,di ),(Ti,Ci,Ni,Hi,Wi,ki,li ),其中,Ti和Ci 分别表示工艺参数中的打印温度和层厚;Ni,Hi,Wi 分别表示模型设计参数中的厚度、悬空高度和垂直脚的宽度;hi (ki )为测量点Pi (Qi )对应坐标系的纵坐标,即测量高度;di (li )为测量点Pi (Qi )在对应hi (ki)高度下的横坐标,即侧面误差。由于研究和优化的对象是零件的侧面,而支撑结构添加在零件的下表面(切片软件自动添加),对侧损失几乎无影响,所以统计数据时未考虑支撑结构的影响。
4 侧损失预测网络的构造
在训练人工神经网络(artificial neural network,ANN)模型时,需要选择合适的神经元和隐藏层数量,以获得更好的预测精度。根据通用近似定理[36],具有适当数量的神经元的单个隐藏层即可近似逼近任意预定的连续函数。若神经元个数过少,则ANN不具备学习和信息处理能力;若神经元个数过多,则增加了ANN的复杂性,且可能产生过拟合现象。隐藏层神经元的最佳数量可通过构造具有不同数量神经元的多个网络并比较结果的差异确定。本文分别用2,4,6,8,10,12,14,16,18和20个神经元构造ANN网络,并分为3个数据集,用
其中,n为训练数据集中的样本数,di 为第i个样本的真实侧损失误差,di '为第i个样本输入到训练的ANN模型后预测得到的侧损失偏移值。
图6
图6
ANN模型灵敏度分析
Fig.6
Sensitivity analysis of the artificial neural network model
图7
图7
基于ANN的侧损失预测网络结构
Fig.7
Network structure of the side loss prediction based on ANN
图7中ANN输出的是三维坐标(di ',yi,zi),di '表示在测量高度hi 下成型件侧损失误差预测值,zi 表示测量点在z方向上的坐标值,zi 和hi 的值相等。由于是对基准模型正视图进行测量,所以在本文数据集中yi =0。
模型采用Levenberg-Marquardt算法,该算法速度快、收敛稳定,适合训练中小型问题[21]。为评估构造的侧损失预测网络的准确性,需计算预测值和实际测量值之间的误差(损失)。用
其中,n,di 和di '的定义同
5 基于数学规划求解改善侧损失
以悬空区域两侧的侧损失最小为目标,构造单目标多变量非线性规划问题。以典型的粒子群算法为基础框架,将构造的两类侧损失预测网络与其融合,充分利用粒子群算法搜索全局最优解的潜力[37],获得优化的侧损失预测值及对应的工艺参数值。
鉴于成型件悬空区域侧面的几何误差往往是不均匀的,将侧面测量点的位置调整/补偿到理想位置是对模型进行理想补偿的一种有效方法。此外,基于本文对侧损失误差的测量,实现有效补偿的关键是优化每个测量点的误差。为确定每个测量点的最优误差(即打印后的点能够达到的理想位置),如
其中, xi, ti 分别表示倒“L”形零件支撑情况迥异的两侧,即非悬空侧和悬空侧测量点Pi 和Qi 的六参数特征值。N,H和W分别表示模型设计参数中的厚度、悬空高度和垂直脚的宽度,hi,ki 分别为测量点Pi 和Qi 的测量高度。Ti 和Ci 分别表示打印温度和层厚。f ( xi ),f ( ti )分别表示打印后点Pi 和Qi 的预测误差。w1,w2为权重,大量实验表明,当w1=0.5,w2=0.5时,在相同的打印温度和层厚下倒“L”形零件非悬空侧和悬空侧的侧损失预测误差同时达到最小。
5.1 改进的粒子群优化算法
为求解
图8
5.2 粒子结构的定义
在改进的优化算法中,将成型件非悬空侧和悬空侧的侧面采样点Pi 和Qi 的第r个粒子的解Sr 定义为六维向量,即Sr =(Tr,Cr,N,H,W,hi )和Sr =(Tr,Cr,N,H,W,ki ),其中,N,H,W,hi 和ki 的含义同
5.3 适应度函数的定义
根据上述定义,基于
其中,w1和w2的取值同
根据上述工艺参数优化方法,得到成型件非悬空侧和悬空侧的(最终)优化打印温度和层厚,优化后的工艺参数将使侧面采样点(打印后)具有最小误差。然后,通过CAD系统,用优化后的侧面误差调整相应的采样点。在此基础上,实现对倒“L”形零件非悬空侧和悬空侧的侧面误差补偿。
6 实 验
基于FFF和本文方法对不同参数的倒“L”形悬空区域开展实验。用SolidWorks软件绘制基准模型的三维图,通过Ultimaker 3D打印机自带的切片软件Ultimaker Cura对其进行切片处理。基于Scikit-learn机器学习库[38],对本文提出的ANN模型进行构造和训练。为平衡优化方法的效率和效果,将粒子群算法的迭代次数定为50次。实验所用材料为聚乳酸(polylactic acid,PLA);用于测量悬空区域打印误差的光学显微镜为ZhiQi ZQ-603;开发和实验使用的计算机配置为Intel(R) Core(TM) i7-8750H CPU和16GB内存。
6.1 实验设计
6.1.1 实验参数选择
选择模型厚度N、悬空高度H和垂直脚宽度W这3个对侧损失具有明显影响的模型设计参数进行实验,其取值范围见表1,当参数值处于取值范围内时,基准模型侧面往往会出现明显的误差。
表1 基准模型参数的取值范围
Table 1
模型设计参数 | 模型厚度N/mm | 悬空高度H/mm | 垂直脚宽度W/mm |
---|---|---|---|
取值范围 | 1~5 | 1~5 | 1~5 |
根据实验所用的切片软件设置界面参数,用户可自由调节层厚、填充密度、打印速度、打印温度等工艺参数。基于本文所使用的打印设备,通过大量实验发现,只有打印温度和层厚对侧损失有明显影响。因此,将其余工艺参数设为恒定值,壁厚为1 mm,填充密度为20%,打印速度为70 mm·s-1。考虑实验所用材料为PLA,若打印温度过高或过低,会导致成型失败或严重影响成型精度[39],所以根据材料对打印温度和切片软件对层厚的限制要求,将打印温度的取值范围设为190~210 ℃,将层厚的取值范围设为0.1~0.3 mm。
6.1.2 实验方案设计
表2 主要工艺参数因子水平取值
Table 2
影响因子 | 水平1 | 水平2 | 水平3 |
---|---|---|---|
打印温度T/℃ | 190 | 200 | 210 |
层厚C/mm | 0.1 | 0.2 | 0.3 |
表3 主要设计参数因子水平取值
Table 3
影响因子 | 水平1 | 水平2 | 水平3 | 水平4 | 水平5 |
---|---|---|---|---|---|
模型厚度N/mm | 1 | 2 | 3 | 4 | 5 |
悬空高度H/mm | 1 | 2 | 3 | 4 | 5 |
垂直脚宽度W/mm | 1 | 2 | 3 | 4 | 5 |
基于第3节的测量方式,考虑测量效率,对逐点测量进行简化,选择成型件悬空区域侧面3个不同的高度进行测量,如图9所示。为提高侧损失预测网络的预测准确性,将每个基准模型打印3次并进行测量,将总共2 025个测量值用于构造侧损失预测网络的数据集D。将原始数据集D随机分为训练集、验证集和测试集,其中70%的数据用于训练,15%的数据用于验证,15%的数据用于测试。由于每个维度输入的范围不同,为提高训练过程的学习速度、性能、准确性和稳定性,对数据集进行归一化处理。用Z-Score方法,将每列(维)需要归一化的数据x,根据其相应的均值μ和标准差σ,用
图9
表4 数据集归一化结果
Table 4
数据 编号 | 初始值 | 归一化结果 | ||||||
---|---|---|---|---|---|---|---|---|
打印温度T/℃ | 模型厚度N/mm | 悬空高度H/mm | 垂直脚宽度W/mm | 打印温度 T/℃ | 模型厚度 N/mm | 悬空高度 H/mm | 垂直脚宽度 W/mm | |
1 | 190 | 1 | 5 | 5 | -1.224 44 | -1.413 86 | 1.413 86 | 1.413 86 |
2 | 210 | 3 | 4 | 1 | 1.224 44 | 0 | 0.706 93 | -1.413 86 |
3 | 210 | 4 | 4 | 2 | 1.224 44 | 0.706 93 | 0.706 93 | -0.706 93 |
4 | 200 | 5 | 1 | 5 | 0 | 1.413 86 | -1.413 86 | 1.413 86 |
⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
2 023 | 190 | 3 | 2 | 4 | -1.224 44 | 0 | -0.706 93 | 0.706 93 |
2 024 | 210 | 1 | 4 | 4 | 1.224 44 | -1.413 86 | 0.706 93 | 0.706 93 |
2 025 | 200 | 5 | 3 | 2 | 0 | 1.413 86 | 0 | -0.706 93 |
6.2 实验结果分析
6.2.1 侧损失预测网络的预测效果
图10
图10
实际测量的侧损失与预测的侧损失的对比
Fig.10
The comparison of the actual measured side losses with predicted side losses
6.2.2 基准模型的侧面补偿
几何预补偿是在打印前对模型的形状进行调整,使得打印的零件更符合设计要求。悬空区域两侧几何预补偿示意如图11所示。
图11
图11
悬空区域两侧几何预补偿示意
Fig.11
The illustration of the geometric pre-compensation on both sides of the overhang
为验证该方法的有效性,对模型厚度为2 mm、悬空高度为2 mm、垂直脚宽度为2 mm的基准模型1进行补偿和打印。以等距的方式在成型件侧面采样3个点,并根据本文提出的方法确定3个采样点优化后的侧损失预测值。为达到对悬空区域侧损失进行双层次改善的目的,根据优化后的预测值,对基准模型1进行补偿,并用优化的工艺参数值实施打印。基准模型1补偿前和补偿后的成型效果如图12所示,可以看出,基准模型1补偿后的两侧均有较明显的改善。
图12
图12
基准模型1补偿前后成型效果
Fig.12
Printed results of the benchmark model one before and after compensating
图13
图13
基准模型2补偿前后成型效果
Fig.13
Printed results of the benchmark model two before and after compensating
图14
图14
模型3补偿前后成型效果
Fig.14
Printed results of the benchmark model three before and after compensating
7 方法比较
表5 相关文献方法比较
Table 5
方法 | 基本思想 | 核心内容 | 是否优化 工艺参数 | 是否进行补偿 | 应用范围 |
---|---|---|---|---|---|
文献[19] | 对具有圆截面的悬空桁架的几何预补偿 | 基于人工神经网络对圆截面边线上的每个点进行补偿 | 否 | 是 | 悬空桁架 |
文献[40] | 选择合适的工艺参数,以优化零件精度和打印时间 | 通过大量实验得到工艺参数对5种几何误差类型和打印时间的影响 | 是 | 否 | 不包含悬空区域的平面和圆柱 |
文献[2] | 设计和优化支撑结构,以改善悬空区域几何误差(包括侧损失),提升零件精度 | 优化无接触式的支撑结构,提出了一种新的支撑结构限制零件变形,改善几何误差 | 否 | 否 | 具有水平悬空区域的零件 |
本文方法 | 零件悬空区域侧面z的几何预补偿 | 将工艺参数优化与侧损失预测网络相结合,对悬空区域侧损失进行双层次改善 | 是 | 是 | 支撑情况迥异的具有水平悬空区域的零件 |
为能在效果上展现本文方法的优势,以测量高度为1 mm、模型厚度为2 mm、悬空高度为2 mm、垂直脚宽度为3 mm的基准模型为例,进行了如表6所示的比较。可以看出,本文方法具有更好的改善效果。
表6 效率与效果比较
Table 6
方法 | 预测耗时/s | 优化耗时/s | 总耗时/s | 侧损失/mm | |
---|---|---|---|---|---|
悬空侧 | 非悬空侧 | ||||
原始方法 | - | - | - | 0.226 | 0.317 |
添加支撑结构[2] | - | - | - | 0.087 | 0.159 |
只优化工艺参数 | 0.78 | 39.81 | 36.59 | 0.109 | 0.092 |
只进行几何预补偿 | 0.82 | - | 0.82 | -0.113 | -0.082 |
本文方法 | 0.81 | 41.32 | 42.13 | 0.039 | 0.031 |
8 结 语
形状复杂的零件在3D打印制造时通常存在悬空区域,悬空区域侧面的误差影响悬空区域乃至零件的成型精度,目前对悬空区域侧面的几何误差仍缺少有效的改善方法。提出了一种悬空区域侧损失双层次智能改善方法,从整体和局部两个层次提高零件悬空区域侧面的精度。实验结果表明,依据侧损失预测值对悬空区域两侧实施几何预补偿,并用优化的工艺参数值进行打印,可有效减少零件悬空区域成型后两侧的几何误差。考虑侧损失误差的不确定性,基于机器学习建立了侧损失预测网络,可准确预测各尺寸下倒“L”形零件成型后悬空区域两侧的几何误差,从而为有效补偿悬空区域侧损失提供更准确的数据支持;以悬空区域两侧的侧损失最小为目标,构造单目标多变量非线性规划问题,将工艺参数优化和几何预补偿相结合,得到优化的侧损失预测值及对应的工艺参数值。
此外,进一步可从以下几个方面对本文方法进行拓展,以提升方法的适用范围:(1) 尽管倒“L”形悬空区域非常普遍且是主流侧损失相关工作的研究对象,但还有很多其他形状的悬空区域也存在侧损失问题。因此,未来可扩展倒“L”形悬空区域的侧损失,以涵盖更多不同的悬空区域,例如“Z”形结构、存在倾斜角的悬空区域、侧面是曲线的悬空区域等;(2) 虽然粒子群算法能优化得到比较好的解,但忽略了计算效率,计算时间较长,未来可进一步改善,用更少的迭代次数获得更优的解,或将粒子的学习策略限制在邻域内,仅考虑邻域内的局部最佳粒子而不是全局最佳粒子,以加快收敛速度,避免陷入局部最优。
http://dx.doi.org/10.3785/j.issn.1008-9497.2023.06.013
参考文献
Optimization of fused filament fabrication process parameters under uncertainty to maximize part geometry accuracy
[J]. ,
New concept of support structures in electron beam melting manufacturing to reduce geometric defects
[C]//
Support structures for additive manufacturing: A review
[J]. ,
Topology optimization of support structure layout in metal-based additive manufacturing accounting for thermal deformations
[J]. ,
Pre-compensation of warpage for additive manufacturing
[J]. ,
Analysis of geometrical defects in overhang fabrications in electron beam melting based on thermomechanical simulations and experimental validations
[J]. ,
Optimizing process parameters of fused deposition modeling by Taguchi method for the fabrication of lattice structures
[J]. ,
基于深度剥离的三维打印模型朝向优化算法
[J]. ,
A depth peeling based algorithm to optimize model orientation for 3D printing
[J]. ,
The effect of layer height on the surface roughness in 3D printed polylactic acid (PLA) using FDM 3D printing
[C]//
Minimizing warpage of ABS prototypes built with low-cost fused deposition modeling machine using developed closed-chamber and optimal process parameters
[J]. ,
Printing direction optimization through slice number and support minimization
[J]. ,
ANN modelling of surface roughness of FDM parts considering the effect of hidden layers, neurons, and process parameters
[J]. ,
Optimization of rapid prototyping parameters for production of flexible ABS object
[J]. ,
Research and application of machine learning for additive manufacturing
[J]. ,
Geometric deviation modeling with statistical shape analysis in design for additive manufacturing
[J]. ,
Residual stress constrained self-support topology optimization for metal additive manufacturing
[J]. ,
Fabrication sequence optimization for minimizing distortion in multi-axis additive manufacturing
[J]. ,
Machine Learning-Driven Deformation Prediction and Compensation for Additive Manufacturing
[D].
Artificial neural network-based geometry compensation to improve the printing accuracy of selective laser melting fabricated sub-millimetre overhang trusses
[J]. ,
Artificial neural network based geometric compensation for thermal deformation in additive manufacturing processes
[C]//
Web-post buckling prediction resistance of steel beams with elliptically-based web openings using artificial neural networks (ANN)
[J]. ,
Wire and arc additive manufacturing: Opportunities and challenges to control the quality and accuracy of manufactured parts
[J]. ,
Current status and future directions of fused filament fabrication
[J]. ,
Part build orientation optimization and neural network-based geometry compensation for additive manufacturing process
[J]. ,
Compensation for geometrical deviations in additive manufacturing
[J]. ,
Experimental investigations for optimizing the extrusion parameters on FDM PLA printed parts
[J]. ,
Modeling, analysis, and optimization of dimensional accuracy of FDM-fabricated parts using definitive screening design and deep learning feedforward artificial neural network
[J]. ,
Optimization of 3D printing process parameters of poly lactic acid materials by fused deposition modeling process
[J]. ,
Software compensation of rapid prototyping machines
[J]. ,
Error compensation for fused deposition modeling (FDM) machine by correcting slice files
[J]. ,
Optimal offline compensation of shape shrinkage for three-dimensional printing processes
[J]. ,
Statistical predictive modeling and compensation of geometric deviations of three-dimensional printed products
[J]. ,
Prescriptive modeling and compensation of in-plane shape deformation for 3D printed freeform products
[J]. ,
Additive manufacturing distortion compensation based on scan data of built geometry
[J]. ,
Geometrical defect analysis of overhang geometry produced by electron beam melting: Experimental and statistical investigations
[J]. ,
Approximation capabilities of multilayer feedforward networks
[J]. ,
A survey on optimization metaheuristics
[J]. ,
Scikit-learn: Machine hon
[J]. ,
Additive manufacturing of multi-directional preforms for composites: Opportunities and challenges
[J]. ,
The effect of process parameters on geometric deviations in 3D printing with fused deposition modelling
[J]. ,
/
〈 | 〉 |