In einer Dissertation mit dem Titel "Deep Learning Based Stress Prediction für 3D-Druckverfahren mit Bottom-Up-Stereo-Lithographie (SLA)" beschreibt ein Student der Universität in Buffalo, Aditya Pramod Khadlikar, ein Verfahren zur Vorhersage der Spannungsverteilung von Teilen im SLA-3D-Druck unter Verwendung einer Tiefe Lernrahmen. Das Framework besteht aus einer neuen 3D-Modelldatenbank, die eine Vielzahl geometrischer Merkmale erfasst, die in echten 3D-Teilen zu finden sind, sowie eine FE-Simulation der 3D-Modelle in der Datenbank, die zur Erstellung von Eingaben und entsprechenden Beschriftungen (Ausgaben) verwendet werden. das DL-Netzwerk trainieren. "
Mehrere Proben wurden mit CNN getestet. Mehrere Teile mit ähnlichen Querschnitten auf einer bestimmten Schicht werden untersucht, um die Spannungsverteilung auf einer bestimmten Schicht zu bestimmen. Khadlikar und seine Kollegen fanden heraus, dass verschiedene Teile einer bestimmten Schicht mit demselben Querschnitt unterschiedliche Spannungsverteilungen in dieser Schicht aufwiesen.
Eine wichtige Schlussfolgerung ist, dass CNN viel schneller als FEA-Simulationen ist. Die erstellten Datensätze arbeiten effektiv und helfen dabei, Parameter wie Spitzenbelastung und von der vorherigen Schicht abhängige Informationen zu bestimmen, um die Verteilung der Beanspruchung über die Schicht zu bestimmen Das Lernmodell ist besser als das für die Druckvorhersage verwendete einfache neuronale Netzwerkmodell.
