Additive manufacturing is a free-form manufacturing technique in which parts are built in a layer-by-layer manner. Laser powder bed fusion is one of the popular techniques used to fabricate metal parts. However, it induces residual stress and distortion during fabrication that adversely affects the mechanical properties and dimensional accuracy of the manufactured parts. Therefore, predicting and avoiding the residual stress and distortion are critical issues. In this study, we propose a topology optimization method that accounts for the distortion. First, we propose a computationally inexpensive analytical model for additive manufacturing that uses laser powder bed fusion and formulated an optimization problem. Next, we approximate the topological derivative of the objective function using an adjoint variable method that is then utilized to update the level set function via a time evolutionary reaction-diffusion equation. Finally, the validity and effectiveness of the proposed optimization method was established using two-dimensional design examples.


翻译:添加剂制造是一种自由式制造技术,其部件以逐层方式制造。激光粉床熔化是制造金属部件的常用技术之一,但在制造过程中引起残余压力和扭曲,对制造部件的机械特性和尺寸精度产生不利影响,因此,预测和避免残余压力和扭曲是关键问题。在本研究中,我们建议一种可说明扭曲因素的地形优化方法。首先,我们提议一种计算成本低廉的分析模型,用于使用激光粉床熔化的添加剂制造并制造优化问题。接着,我们用一种联合可变法对目标函数的表层衍生物进行比较,然后用该可变法通过一个时间进化反扩散方程式更新设定的功能。最后,利用二维设计示例确定了拟议优化方法的有效性和有效性。

1
下载
关闭预览

相关内容

最新《图理论》笔记书,98页pdf
专知会员服务
74+阅读 · 2020年12月27日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
110+阅读 · 2020年5月15日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月23日
Deep Face Recognition: A Survey
Arxiv
18+阅读 · 2019年2月12日
Arxiv
6+阅读 · 2018年1月29日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员