MétaCan
Menu
Retour à la cohorte
Enregistrement W4410334892 · doi:10.1117/12.3050858

Digital twin modelling for 3D-printed composite structures manufactured by fused filament fabrication method: mesoscale geometry simulation

2025· article· en· W4410334892 sur OpenAlexaff
Ayshan Soltansaleki, Garrett W. Melenka

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésFabricationFused filament fabricationMesoscale meteorologyProtein filamentMaterials scienceComposite number3d printed3D printingGeometryEngineering drawingComposite materialMechanical engineeringGeologyEngineeringManufacturing engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Fused Filament Fabrication (FFF) is a widely used additive manufacturing method for composite structures across various industries, including aerospace, energy, healthcare, and automotive. As the demand for advanced materials grows, Digital Twin (DT) modelling has emerged as a critical tool for bridging the gap between the real and virtual worlds of material design and testing. This study aims to develop a DT model for 3D-printed composite structures manufactured using the FFF method, leveraging Finite Element Analysis (FEA). The DT model is constructed using FEA, which simulates the mechanical behaviour of the composite structures. To ensure accuracy, the FEA results are validated by the Digital Volume Correlation method (DVC), a non-destructive, in-situ technique that measures the full strain field within the object. This enables real-time synchronization between the DT model and the physical state of the 3D-printed structures. The development of the DT model focuses on two key aspects: geometry definitions, and behavioral performance. The 3D geometry of the printed composite structures is captured using micro-computed Tomography (μCT). At the same time, initial mechanical properties are derived from in-situ experimental tensile testing conducted within the μCT system. The strain field measured by DVC is compared to the strain field predicted by the FEA model, and both the geometry and material properties are iteratively refined to minimize the error between the two. This methodology is applied to various printing parameters, such as raster orientation, to develop a robust dataset for training AI models to predict the mechanical behaviour of 3D-printed geometries. This study explains the definition of geometry for developing a DT model. In future work, the outcome will be compared with DVC analysis to create a highly accurate DT geometry model that improves the understanding and prediction of 3D-printed composite structures or any composite materials, providing valuable insights for optimization and design in industrial applications.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,775
Score d'incertitude au seuil0,879

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,266
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207