Mai bejegyzésünkben folytatjuk a mesterséges intelligencia alkalmazásának felsorolását az additív gyártásban:
AI a 3D generatív tervezési megoldásban
A 3D nyomtatás bonyolult folyamat, és a mesterséges intelligencia jelentősen hozzájárulhat ennek a technológiának a hatékonyabbá tételéhez. Az egyik ilyen terület a generatív tervezés. A mesterséges intelligenciát és a gépi tanulást egyre gyakrabban használják 3D modellek készítéséhez. Az Autodesk Netfabb megoldásai olyan megoldásokat kínálnak, amelyek gépi tanulást használnak többféle tervezési megoldás fejlesztéséhez. A megoldások egy tervező vagy mérnök által biztosított referenciaértékeket veszik igénybe, pl. a termék mérete, súlya, szilárdsága, stílusa, anyagai, költsége és számos egyéb kritérium, majd felhőalapú számítástechnika és gépi tanulás segítségével többféle tervezési megoldást hozhat létre.
AI használata új 3D nyomtatási anyagok fejlesztésére
Az új anyagok kialakítása természetesen nem egyszerű, és kiterjedt és költséges vizsgálati eljárásokat igényel a nagy teljesítményű anyagok tulajdonságainak biztosítása érdekében. Az anyagfejlesztésben végzett munka nagy része az adatrögzítés, melynek során bizonyos hőkezeléseket vagy adalékanyagokat a megfelelő tulajdonságokra leképeznek. Tehát nem használja az AI adatfeldolgozási képességeit a munkára?
Ennek a szektornak a kulcsszereplője az Intellegens, a Cambridge-i Egyetem mellékterméke. A cég üzleti modellje az Alchemite platform körül forog, amely gépi tanulást használ új anyagok tervezésére, kifejezetten a 3D nyomtatáshoz. Az Intellegens korábban egy kutatási projekt részeként új nikkel alapú ötvözet tervezésére használta a közvetlen lézeres leválasztáshoz használt platformját. Ebben az esetben az Alchemite mély tanulási képességeit arra használták, hogy nagyon gyorsan meghatározzák az ingatlanok közötti kapcsolatokat, lehetővé téve a csapat számára, hogy a hőellenállás méréseinek nagy adatbázisát használva mindössze tíz adatbejegyzést extrapoláljon az ötvözetek feldolgozhatóságára vonatkozóan – ez lenyűgöző.
Hasonlóképpen, a New York-i Egyetem Tandon School of Engineering kutatói korábban ML eszközöket használtak üveg- és szénszálas 3D nyomtatott alkatrészek visszafejtésére. Pontosabban, a csapat mesterséges intelligencia algoritmusokat alkalmazott a 3D nyomtatott alkatrészek CT-vizsgálatára, lehetővé téve számukra, hogy előre jelezzék a nyomtatási szerszámpályákat bizonyos tulajdonságok, például a szerkezeti szilárdság, a rugalmasság és a tartósság mögött.
Ezután a csapat 0,33%-os pontossággal rekonstruálta az alkatrészeket, valamint azok összes nagy teljesítményű tulajdonságát. Érdekes módon ez a projekt valójában aggályokat vetett fel a speciálisan 3D-nyomtatott kompozit alkatrészek IP biztonságával kapcsolatban, mivel ezek fejlesztési folyamatairól bebizonyosodott, hogy meglehetősen könnyen megkerülhetőek, egyszerűen ML algoritmusokon keresztül futtatva őket.
Nem nehéz belátni, hogy a mesterséges intelligencia hogyan lehet egyszerre rendkívül hatékony technológia és rosszindulatú eszköz a rossz szándékúak számára. Ettől függetlenül itt van, hogy maradjon, és alkalmazása a zárt hurkú vezérlőrendszerek és anyagok fejlesztésében egyaránt tagadhatatlanul praktikus. Ami a jóslatokat illeti, valószínűleg nem sok idő telik el ahhoz, hogy olyan komponens-alapú keresőmotorokat láthassunk, amelyek megjósolják, mely STL-fájlokra lesz szükségünk legközelebb alagsori barkácsprojektjeinkhez.