增材制造研究领域：3D 打印设计国际会议

该特别部分涵盖了 3D 打印设计方法和工具领域的高级研究主题：重新设计、拓扑优化、生成式设计、仿生学、使用 AI 的 3D 打印方法设计、建模和模拟、3D 打印的修复和再制造、3D 打印中的共创、使用新型材料进行 3D 打印的设计：4D、超材料、功能分级和生物材料， 具有可持续发展、数据流、安全性和标准的 3D 打印设计，3D 打印的可持续应用，以及 3D 打印设计中的新案例研究和应用。

地址：https://link.springer.com/collections/cfdiejeebi
其他期刊：https://www.nature.com/search?q=3D+Printing+&journal=

案例

基于多传感器融合的数字孪生，用于机器人激光定向能量沉积中的局部质量预测
项目：https://www.sciencedirect.com/science/article/abs/pii/S0736584523000571
在激光定向能量沉积 （L-DED） 增材制造 （AM） 中，早期检测锁孔和裂纹等缺陷对于防止构建失败至关重要。然而，传统的单模态过程监测方法无法充分捕捉复杂的熔池行为。本研究介绍了一种基于多传感器融合的数字孪生 （MFDT），用于在机器人 L-DED 过程中进行局部质量预测。多传感器融合中使用的数据包括从同轴熔池视觉相机、麦克风和离轴短波长红外热像仪中提取的特征。这项工作的关键新颖性是一种时空数据融合方法，该方法将多传感器特征与实时机器人运动数据同步，以实现局部质量预测。打印部件的光学显微镜 （OM） 图像用于定位无缺陷和有缺陷的区域（即裂纹和锁孔），这些区域用作训练监督机器学习 （ML） 模型以进行质量预测的真值标签。然后使用经过训练的 ML 模型生成虚拟质量图，该图在打印部件的 3D 体积内记录质量预测结果，从而消除了通过破坏性方法进行物理检查的需要。实验表明，虚拟质量图与 OM 观察到的实际质量非常匹配。与传统的基于单传感器的质量预测相比，MFDT 实现了显著提高的质量预测精度 （96%）、更高的 ROC-AUC 分数 （99%） 和更低的误报率 （4.4%）。因此，MFDT 是一种更可靠的缺陷预测方法。拟议的 MFDT 还为我们未来开发自适应混合加工策略奠定了基础，该策略将加工与增材制造相结合，以去除缺陷并提高质量。

项目参考

https://www.sciencedirect.com/science/article/pii/S2214860424000204?via%3Dihub#tbl0010
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4341754
https://arxiv.org/pdf/2304.05685
https://link.springer.com/article/10.1007/s12206-024-2401-1