Embedded Sensors and Feedback Loops for Iterative Improvement in Design Synthesis for Additive Manufacturing
Notice bibliographique
Résumé
Design problems are complex and not well-defined in the early stages of projects. To gain an insight into these problems, designers envision a space of various alternative solutions and explore various performance trade-offs, often manually. To assist designers with rapidly generating and exploring a design space, researchers introduced the concept of design synthesis methods. These methods promote innovative thinking and provide solutions that can augment a designer’s abilities to solve problems. Recent advances in technology push the boundaries of design synthesis methods in various ways: a vast number of novel solutions can be generated using high-performance computing in a timely manner, complex geometries can be fabricated using additive manufacturing, and integrated sensors can provide feedback for the next design generation using the Internet of things (IoT). Therefore, new synthesis methods should be able to provide designs that improve over time based on the feedback they receive from the use of the products. To this end, the objective of this study is to demonstrate a design synthesis approach that, based on high-level design requirements gathered from sensor data, generates numerous alternative solutions targeted for additive manufacturing. To demonstrate this method, we present a case study of design iteration on a car chassis. First, we installed various sensors on the chassis and measured forces applied during various maneuvers. Second, we used these data to define a high-level engineering problem as a collection of design requirements and constraints. Third, using an ensemble of topology and beam-based optimization techniques, we created a number of novel solutions. Finally, we selected one of the design solutions and because of some manufacturability constraints we, 3D-printed a prototype for the next generation of design at one third scale. The results show that designs generated from the proposed method were up to 28% lighter than the existing design. This paper also presents various lessons learned to help engineers and designers with a better understanding of challenges applying new technologies in this research.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».