Metody sztucznej inteligencji w optymalizacji procesów obróbki laserowej
Dane uczące w modelach uczenia maszynowego mogą obejmować informacje ilościowe i jakościowe, w tym dane ciągłe i dyskretne.
W pracy Machine Learning Model for Understanding Laser Superhydrophobic Surface Functionalization [23] zaproponowano przewidywanie zwilżalności powierzchni superhydrofobowej za pomocą modelu uczenia maszynowego XBoost, który uwzględniał topografię powierzchni oraz warunki środowiskowe procesu wysokowydajnej nanostrukturyzacji powierzchni (ang. high-throughput surface nanostructuring, HSN).
Wdrożenie nowoczesnych technologii, takich jak cyfrowe bliźniaki i metody SI, otwiera nowe horyzonty dla laserowej obróbki powierzchni. Wykorzystanie cyfrowych bliźniaków – wirtualnych replik systemów fizycznych – umożliwia ciągłe monitorowanie i optymalizację obróbki [24]. Spośród wielu zastosowań metod SI do optymalizacji procesów laserowej obróbki powierzchniowej można wymienić przewidywanie współczynnika tarcia powierzchni teksturowanych i porowatych, monitorowanie w czasie rzeczywistym i kontrolę jakości powierzchni poddanych obróbce laserowej oraz modelowanie wpływu topologii teksturowania na właściwości tribologiczne powierzchni.
Selektywne topienie laserowe (ang. selective laser melting, SLM) to technika druku 3D polegająca na stapianiu cząstek proszku za pomocą lasera w [...]
Co tydzień otrzymaj od nas porządną dawkę wiedzy o branży przemysłowej!
