Graphics,Computational Engineering, Finance, and Science,Machine Learning,Robotics,گرافیک , مهندسی محاسباتی , امور مالی و علوم , یادگیری ماشین , روباتیک ,
توضیحات
Submitted 5 September, 2024; v1 submitted 30 August, 2024; originally announced September 2024. , Comments: Special Issue on symposium on Solid and Physical Modeling (SPM 2023) , Journal ref: Journal of Computer-Aided Design, 2023
توضیحات به فارسی
ارسال شده در 5 سپتامبر 2024 ؛V1 ارسال شده در 30 اوت 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: شماره ویژه در مورد سمپوزیوم مدل سازی جامد و فیزیکی (SPM 2023) ، مجله Ref: مجله طراحی با کمک رایانه ، 2023
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
One of the main concerns in design and process planning for multi-axis additive and subtractive manufacturing is collision avoidance between moving objects (e.g., tool assemblies) and stationary objects (e.g., a part unified with fixtures). The collision measure for various pairs of relative rigid translations and rotations between the two pointsets can be conceptualized by a compactly supported scalar field over the 6D non-Euclidean configuration space. Explicit representation and computation of this field is costly in both time and space. If we fix $O(m)$ sparsely sampled rotations (e.g., tool orientations), computation of the collision measure field as a convolution of indicator functions of the 3D pointsets over a uniform grid (i.e., voxelized geometry) of resolution $O(n^3)$ via fast Fourier transforms (FFTs) scales as in $O(mn^3 \log n)$ in time and $O(mn^3)$ in space. In this paper, we develop an implicit representation of the collision measure field via deep neural networks (DNNs). We show that our approach is able to accurately interpolate the collision measure from a sparse sampling of rotations, and can represent the collision measure field with a small memory footprint. Moreover, we show that this representation can be efficiently updated through fine-tuning to more efficiently train the network on multi-resolution data, as well as accommodate incremental changes to the geometry (such as might occur in iterative processes such as topology optimization of the part subject to CNC tool accessibility constraints).
چکیده به فارسی (ترجمه ماشینی)
یکی از اصلی ترین نگرانی های مربوط به برنامه ریزی و برنامه ریزی فرآیند برای تولید چند محوره و تولید ، جلوگیری از برخورد بین اشیاء در حال حرکت (به عنوان مثال ، مونتاژ ابزار) و اشیاء ثابت (به عنوان مثال ، بخشی واحد با وسایل) است.اندازه گیری برخورد برای جفت های مختلف ترجمه های سفت و سخت نسبی و چرخش بین دو نقطه را می توان با یک میدان مقیاس کاملاً پشتیبانی شده در فضای پیکربندی غیر الکلیدسی 6D مفهوم سازی کرد.بازنمایی صریح و محاسبه این زمینه در زمان و مکان پرهزینه است.اگر چرخش $ O (M) $ را به طور نمونه نمونه برداری (به عنوان مثال ، جهت گیری ابزار) ، محاسبه قسمت اندازه گیری برخورد به عنوان یک نتیجه از توابع نشانگر نقاط سه بعدی بر روی یک شبکه یکنواخت (یعنی هندسه وکسلیزه) از وضوح $ O (حل کنیم) (به عنوان مثال).n^3) $ از طریق مقیاس های تبدیل سریع فوریه (ffts) مانند $ o (mn^3 \ log n) $ در زمان و $ o (mn^3) $ در فضا.در این مقاله ، ما یک نمایش ضمنی از میدان اندازه گیری برخورد از طریق شبکه های عصبی عمیق (DNN) ایجاد می کنیم.ما نشان می دهیم که رویکرد ما قادر است اندازه گیری برخورد را از یک نمونه گیری پراکنده از چرخش ها به طور دقیق درون یابی کند و می تواند میدان اندازه گیری برخورد را با یک ردپای حافظه کوچک نشان دهد.علاوه بر این ، ما نشان می دهیم که این نمایندگی می تواند از طریق تنظیم دقیق برای آموزش کارآمدتر شبکه بر روی داده های چند وضوح ، و همچنین تغییرات افزایشی در هندسه (مانند ممکن است در فرآیندهای تکراری مانند بهینه سازی توپولوژی از بهینه سازی توپولوژی ، به روز شود.بخشی از محدودیت های دسترسی به ابزار CNC).
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
