Ricercatori internazionali indagano su questioni più complesse nella fabbricazione digitale, descrivendo in dettaglio il loro ultimo studio nel recente ” Imparare ad accelerare la decomposizione per la stampa 3D multidirezionale “. Approfondendo un argomento di grande interesse per la maggior parte degli utenti interessati alla creazione di geometrie complesse, gli autori spiegano di più sul recente lavoro progettato per utilizzare un algoritmo di ricerca a guida guidata per trovare una sequenza ottimizzata di ritaglio del piano risultante nella necessità di “supporti tremendamente meno .’ In alcuni casi, potrebbe non essere necessario alcun supporto.
Un sistema di stampa 3D multidirezionale a 5 DOF che può depositare materiale lungo diverse direzioni: (a sinistra) la testina di stampa può spostarsi lungo gli assi x, ye z e (a destra) il tavolo di lavoro può ruotare attorno a due assi (vedi le frecce per l’illustrazione dell’asse A e dell’asse C).
I livelli planari con direzione di stampa 3D fissa di solito richiedono supporti per evitare il collasso; tuttavia, questo materiale aggiunto può essere fonte di grande seccatura anche per gli utenti più esperti. Per risolvere il problema nel richiedere i supporti, il team di ricerca ha creato un nuovo algoritmo destinato a scomporre i modelli in sottocomponenti da stampare separatamente in direzioni diverse per componenti diversi.
“Il vantaggio dell’algoritmo di ricerca proposto è che può evitare di rimanere bloccato nel minimo locale rispetto alla ricerca avida del miglior risultato. La larghezza del raggio b = 10 viene utilizzata empiricamente per bilanciare il compromesso tra efficienza computazionale ed efficacia della ricerca “, hanno spiegato gli autori. “Sebbene esegua un’implementazione parallela in esecuzione su un computer con CPU Intel (R) Core (TM) i7 (4 core), il metodo comporta comunque un tempo di elaborazione medio di 6 minuti.”
Per un determinato modello (ID: 81368 del set di dati Thingi10k [3]) è necessaria una grande quantità di strutture di supporto mediante la stampa 3D convenzionale (a sinistra), la stampa 3D multidirezionale può ridurre significativamente la necessità di supporto. Aumentando la larghezza del raggio da B = 10 (al centro) a B = 50 (a destra), l’area della regione che deve aggiungere supporto può essere ridotta dal 17,34% al 2,64%.
Un framework per imparare ad accelerare classifica i “piani candidati” per i migliori risultati e un nuovo metodo converte le traiettorie in “confronti a coppie per l’addestramento”. Come sidenote, gli autori citano anche che l’efficienza offerta in questo lavoro è in realtà “molto migliore” rispetto al lavoro precedente. Precedenti lavori correlati di altri ricercatori hanno riguardato metodi basati sulla segmentazione, fabbricazione multidirezionale e multiasse e ricerche accelerate.
“Il metodo proposto utilizza un metodo basato sull’apprendimento per formare un insieme basato sull’albero decisionale in grado di valutare i candidati del clipping”, hanno spiegato i ricercatori.
Una sequenza di stampa 3D multidirezionale può essere determinata calcolando una sequenza di ritaglio planare (a sinistra), in cui l’ordine inverso di ritaglio fornisce la sequenza di stampa 3D multidirezionale (a destra).
L’accessibilità è fondamentale in questo nuovo sistema, con il modello e i codici sorgente tutti disponibili al pubblico. Un server ad alte prestazioni viene utilizzato con due CPU Intel E5- 2698 v3 e 128 GB di RAM, con tutti gli altri test che utilizzano una CPU Intel Core i7 4790, GPU NVIDIA Geforce GTX 980 Ti e 24 GB di RAM.
“Abbiamo addestrato il nostro modello sul set di dati Thingi10k riparato da Hu et al. Invece di formare e valutare l’intero set di dati, estraiamo un sottoinsieme del set di dati (modelli 2061) che soddisfa ogni modello nel set di dati selezionato dovrebbe avere alcune facce rischiose che possono essere elaborate dal nostro algoritmo di taglio basato su piano “, ha concluso il ricercatori.
“Il tempo di elaborazione è ridotto a 1/2 mantenendo i risultati con una qualità simile. I risultati sperimentali dimostrano l’efficacia del nostro metodo proposto. Forniamo un pacchetto python di facile utilizzo e rendiamo il codice sorgente accessibile al pubblico. “