Using Genetic Algorithms to Optimize the Build Orientation for Fused Deposition Modeled Components Containing Internal Reinforcement Structures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fused Deposition Modeling (FDM) is an additive fabrication process that builds a part from extruded filaments of a melted thermoplastic. Typically, the parts are built using a ‘solid’ (complete fill) or ‘shell’ (3–4 mm external boundary with a loose internal weave) strategy. The introduction of parametric internal structures to support the required tensile or compressive loads provides an intermediate solution to the standard build options, and reduces the material usage while reinforcing the part as required. The internal structures can have a hexagonal, pyramidal, or orthogonal configuration. Because of the configuration variation, the internal structure form arrangement and geometric structure will influence the optimal build orientation. This will have an effect on the productivity or build time, mechanical properties such as strength, surface finish, materials usage and the total build cost. This paper presents a model to optimize the orientation of a part for FDM fabrication while considering these various factors. The CAD part model (in STL format) is an input to the system. A genetic algorithm is used to obtain optimum orientation of the parts for FDM. The objective function for optimization is considered a weighted average of the performance measures such as build time, part quality, material usage, surface finish, interior geometry, strength characteristics, and related parameters. The merits of the approach will be demonstrated using models with varying levels of complexity. The final model tested consists of a human tibia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle