Россия
Россия
Россия
В статье проводится анализ методов 3D-печати, в различных сферах производства. Были изучены современные методы ИИ-оптимизации параметров 3D-печати, направленные на решение основных проблем в данной сфере – неоднородность материала, деформация слоев, вызванная термическим напряжением и другие. Также были рассмотрены перспективные направления, включающие адаптацию ИИ-моделей для мультиматериальных систем и ускорение оптимизации за счет квантовых вычислений.
аддитивные технологии, 3D-печать, машинное обучение, ИИ, нейронные сети
1. Роннебергер О. U-Net: Свёрточные сети для биомедицинской сегментации изображений // Медицинская компьютерная томография и компьютерное вмешательство (MICCAI). 2015. URL: https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ (дата обращения: 13.02.2025).
2. Фюлоп А., Хорват А. Сквозное обучение глубоких нейронных сетей в частотной области // Mathematics. 2022. Т. 10. С. 2132. DOI:https://doi.org/10.3390/math10132132. DOI: https://doi.org/10.3390/math10122132; EDN: https://elibrary.ru/CKMLVV
3. Лу Х., Хуан Я., Чжан Ч. и др. Достижения в глубоком обучении для микроскопии сверхвысокого разрешения (приглашённый доклад) // Laser & Optoelectronics Progress. 2024. Т. 61, № 16. Ст. 1611002. DOI:https://doi.org/10.3788/LOP6124161002.
4. Машинное обучение для физических наук: воркшоп на NeurIPS 2022 [ML for Physical Sciences Workshop at NeurIPS 2022]. URL: https://ml4physicalsciences.github.io/2022/files/NeurIPS_ML4PS_2022_92.pdf (дата обращения: 13.02.2025).
5. Рудской А.И., Волков К.Н., Соколов Ю.А., Кондратьев С.Ю. Цифровые производственные системы: технологии, моделирование, оптимизация. СПб.: СПбПУ, 2020. 828 с. DOI: https://doi.org/10.18720/SPBPU/2/id20-95; EDN: https://elibrary.ru/BEOOLC
6. Маркидис С. Старое и новое: Могут ли физически информированные методы глубокого обучения заменить традиционные линейные решатели? // Mathematics. 2022. Т. 10. С. 603. DOI:https://doi.org/10.3390/math9100603. DOI: https://doi.org/10.3390/math10040603; EDN: https://elibrary.ru/IPKZTB
7. NVIDIA Solutions. URL: https://www.macnica.co.jp/en/business/semiconductor/manufacturers/nvidia/products/134046/ (дата обращения: 13.02.2025).
8. Сизая А. Моделирование теплопередачи и напряжений при лазерной сварке с использованием пакета FENICS // Английский язык в сфере профессиональных коммуникаций: Сб. докл. VII Всерос. молодежной науч. конф. Казань, 2021. С. 249-251.
9. Appercase News. URL: https://www.appercase.ru/news/27220/ (дата обращения: 13.02.2025).
10. Assured Systems. URL: https://www.assured-systems.com/nvidia-jetson-agx-xavier-for-new-era-of-ai-in-robotics/ (дата обращения: 13.02.2025).
11. Sigma Labs News. URL: https://3dprintingindustry.com/news/sigma-labs-printrite3d-platform-made-compatible-with-polymer-3d-printing-201503/ (дата обращения: 13.02.2025).
12. Николенко, С. Д. Моделирование возникновения внутренних напряжений в сложной структуре материала / С. Д. Николенко, С. П. Козодаев, С. А. Сазонова // Моделирование систем и процессов. – 2024. – Т. 17, № 2. – С. 50-61. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-2-50-61. EDN: https://elibrary.ru/DIXFHX
13. Сазонова, С. А. Моделирование процесса диагностики утечек на основе двухальтернативной гипотезы с учетом помех от стохастичности потребления в гидравлической системе / С. А. Сазонова, И. В. Щербакова, Г. И. Сметанкина // Моделирование систем и процессов. – 2024. – Т. 17, № 1. – С. 111-120. DOI: https://doi.org/10.12737/2219-0767-2024-17-1-111-120; EDN: https://elibrary.ru/CSKRIZ
