Невронни мрежи за предсказване на термичен warp

Днес разглеждаме как невронните мрежи предсказват термичния warp (деформация от свиване) на 3D принтирани детайли. Warp е един от най-честите дефекти при FDM и SLS – ъглите на детайла се повдигат от леглото поради неравномерно охлаждане и свиване на полимера.

Физика на Warp

Warp възниква от термичния градиент между горния (горещ) и долния (охладен) слой:

• Горният слой е горещ и разширен.
• Долният слой е охладен и свит.
• Разликата в дължините генерира вътрешно огъващо напрежение (bending stress), което повдига ъглите.

Критични фактори:

• Коефициент на термично разширение ($alpha$) на материала.
• Температурен градиент ($Delta T$) между слоевете.
• Геометрия: плоски, тънки детайли варпват повече от дебели, кубични.

Neural Network подходи

1. CNN за геометрична предикция

• Input: 3D модел (воксел представяне 64×64×64).
• Output: Деформационна карта (displacement field) за всеки воксел.
• Обучение: FEA симулации на 10 000+ детайла с различни геометрии и материали.

2. RNN/LSTM за Layer-by-Layer предикция

• Input: Последователност от G-code слоеве (layer area, perimeter length, infill %, layer time).
• Output: Прогнозирана деформация след всеки слой.
• Предимство: Може да предскаже кога warp-ът ще надхвърли критичния праг и да предложи пауза за охлаждане.

3. Physics-Informed Neural Network (PINN)

Комбинира ML с физически уравнения (термоеластичност):

• Невронната мрежа спазва законите на термомеханиката.
• По-малко данни за обучение (физическите закони ограничават пространството на решенията).
• По-надеждна екстраполация извън обучителния набор.

Предимства и недостатъци

Предимства:

• Превантивен: Предсказва warp преди принтиране.
• Бърз: Секунди за предикция (vs часове за FEA).
• Actionable: Може да предложи ориентация, infill, или bed temp за минимизиране на warp.

Недостатъци:

• Data-hungry: Изисква хиляди FEA симулации за обучение.
• Material-specific: Отделен модел за всеки материал.
• Апроксимация: Не гарантира точна количествена предикция.

FAQ