ترجمه فارسی مقاله یادگیری ماشین برای توصیف خواص الاستیک نامشخص مواد ساخته‌شده از رشته‌های ترکیبی برای کاربردهای بهینه‌سازی توپولوژی

چکیده

The layering approach used in fused filament fabrication (FFF) enables creation of complex designs generated by topology optimization. Defects associated with the layer-by-layer process, introduce considerable random variability to the local elastic modulus of the print. The elastic modulus along the fusion layers connecting bulk materials differs from that of the bulk areas. Accurate quantitative measurements of variations in both areas are essential to achieve robust optimized designs. This study aims to quantify the parameters of the random distributions given the surface strain field of the print measured by digital image correlation (DIC). Two statistical properties, mean and standard deviation, are sufficient to characterize the stochastic elastic modulus fields in each region. An efficient neural network model is developed to estimate spatial variations in the local elastic modulus within both bulk and fusion layers. This model is trained on a dataset of synthetic strain fields with known distributions in the elastic modulus fields. It performs well in correlating the elastic modulus with the input strain, as long as the standard deviation is below 60% of the mean of the random field. The predictive accuracy of the model on testing data, measured by the R2 score, is 0.99 and 0.95 for mean and standard deviation in the fusion material. The scores for the bulk material are 0.97 each. The trained model is implemented to predict the elastic modulus distribution of an FFF-printed material at a print speed of 30 mm/s and an extrusion temperature of 493.15 K, based on its DIC-measured surface strain data. The model predicts a mean and standard deviation of 1.2 GPa and 1 GPa for the bulk material and 400 MPa and 430 MPa for the fusion region. Validation of predictions confirms the reliability of this approach in measuring uncertainty in the local properties of the prints.

چکیده به فارسی (ترجمه ماشینی)

رویکرد لایه بندی مورد استفاده در ساخت رشته ذوب شده (FFF) ایجاد طرح های پیچیده تولید شده توسط بهینه سازی توپولوژی را امکان پذیر می کند.نقص مرتبط با فرآیند لایه به لایه ، تنوع تصادفی قابل توجهی را به مدول الاستیک محلی چاپ معرفی می کند.مدول الاستیک در امتداد لایه های همجوشی که مواد فله ای را به هم وصل می کنند با مناطق فله متفاوت است.اندازه گیری های کمی دقیق تغییرات در هر دو زمینه برای دستیابی به طرح های بهینه شده قوی ضروری است.این مطالعه با هدف تعیین کمیت پارامترهای توزیع تصادفی با توجه به میدان کرنش سطح چاپ اندازه گیری شده توسط همبستگی تصویر دیجیتال (DIC).دو خاصیت آماری ، میانگین و انحراف استاندارد ، برای توصیف زمینه های مدول الاستیک تصادفی در هر منطقه کافی است.یک مدل شبکه عصبی کارآمد برای برآورد تغییرات مکانی در مدول الاستیک محلی در هر دو لایه فله و همجوشی تهیه شده است.این مدل در مجموعه ای از زمینه های کرنش مصنوعی با توزیع های شناخته شده در زمینه های مدول الاستیک آموزش دیده است.در ارتباط با مدول الاستیک با فشار ورودی ، تا زمانی که انحراف استاندارد زیر 60 ٪ میانگین میدان تصادفی باشد ، عملکرد خوبی دارد.دقت پیش بینی مدل در داده های آزمایش ، اندازه گیری شده توسط نمره R2 ، برای میانگین و انحراف استاندارد در ماده فیوژن 0.99 و 95/0 است.نمرات مواد فله هرکدام 0.97 است.مدل آموزش دیده برای پیش بینی توزیع مدول الاستیک یک ماده چاپ شده FFF با سرعت چاپ 30 میلی متر در ثانیه و دمای اکستروژن 493.15 K بر اساس داده های فشار سطح اندازه گیری شده با DIC اجرا شده است.این مدل میانگین و انحراف استاندارد 1.2 GPa و 1 GPa را برای مواد فله و 400 MPa و 430 MPa برای منطقه فیوژن پیش بینی می کند.اعتبارسنجی پیش بینی ها قابلیت اطمینان این رویکرد در اندازه گیری عدم اطمینان در خصوصیات محلی چاپ ها را تأیید می کند.