Cookieak erabiltzen ditugu zure esperientzia hobetzeko.Webgune honetan nabigatzen jarraituz gero, onartzen duzu cookieen erabilerarekin.Informazio gehiago.
Polymer Testing aldizkariko artikulu batek 3D inprimaketa-teknologia erabiliz fabrikatutako hainbat polimero-material konposatuen kalitatea aztertzen eta alderatzen du, hala nola morfologia eta gainazaleko ehundura, propietate mekanikoak eta propietate termikoak.
Ikerketa: 3D inprimagailuek egindako nano-partikulen bidez infusitutako plastikozko produktuak ikaskuntza automatikoak gidatuta.Irudiaren iturria: Pixel B/Shutterstock.com
Fabrikatutako polimero-osagaiek hainbat kalitate behar dituzte beren xedearen arabera, eta horietako batzuk material anitzen kantitate ezberdinez osatutako polimero-harizpiak erabiliz eman daitezke.
Fabrikazio gehigarriaren adar bat, 3D inprimaketa izenekoa, materialak nahasten dituen puntako teknologia da, 3D ereduaren datuetan oinarritutako produktuak sortzeko.
Beraz, prozesu honek sortzen dituen hondakinak nahiko txikiak dira.Gaur egun 3D inprimatzeko teknologia hainbat aplikaziotan erabiltzen da, hainbat elementuren eskala handiko fabrikazioan barne, eta erabilera kopurua handitu baino ez da egingo.
Gaur egun, teknologia hau egitura konplexuak, material arinak eta diseinu pertsonalizagarriak dituzten objektuak fabrikatzeko erabil daiteke.Gainera, 3D inprimaketak eraginkortasuna, iraunkortasuna, aldakortasuna eta arriskuak minimizatzeko abantailak ditu.
Teknologia honen alderdi garrantzitsuenetako bat parametro egokiak aukeratzea da, produktuan eragin handia baitute, hala nola bere forma, tamaina, hozte abiadura eta gradiente termikoa.Kualitate hauek mikroegituraren bilakaeran, bere ezaugarrietan eta akatsetan eragiten dute orduan.
Ikaskuntza automatikoa erabil daiteke inprimatutako produktu jakin baten prozesu-baldintzen, mikroegituraren, osagaien forma, konposizioaren, akatsen eta kalitate mekanikoaren arteko erlazioa ezartzeko.Konexio hauek kalitate handiko irteera ekoizteko behar diren entsegu kopurua murrizten lagun dezakete.
Dentsitate handiko polietilenoa (HDPE) eta azido polilaktikoa (PLA) dira AMn gehien erabiltzen diren bi polimeroak.PLA material nagusi gisa erabiltzen da aplikazio askotan, iraunkorra, ekonomikoa, biodegradagarria eta propietate bikainak dituelako.
Plastikoen birziklapena munduak duen arazo nagusia da;horregatik, oso onuragarria litzateke plastiko birziklagarria 3D inprimaketa prozesuan sartzea.
Inprimatzeko materiala likidogailura etengabe sartzen denez, tenperatura maila koherentean mantentzen da harizpi fusionatuen fabrikazio-prozesuan (FFF) deposizioan (3D inprimaketa mota bat).
Hori dela eta, urtutako polimeroa toberaren bidez kanporatzen da presioaren murrizketaren bidez.Azaleko morfologia, etekina, zehaztasun geometrikoa, propietate mekanikoak eta kostua FFF aldagaiek eragiten dute.
Trakzio-, konpresio-inpaktua edo tolestura-indarra eta inprimatze-norabidea dira FFF laginei eragiten dieten prozesu-aldagai garrantzitsuenak.Ikerketa honetan, FFF metodoa erabili da aleak prestatzeko;sei harizpi ezberdin erabili ziren lagin-geruza eraikitzeko.
a: 3D inprimagailuen ML iragarpen-parametroen optimizazio-eredua 1. eta 2. laginetan, b: ML iragarpen-parametroen optimizazio-eredua 3D inprimagailuen laginean, c: ML iragarpen-parametroen optimizazio-eredua 3D inprimagailuen 4. eta 5. laginetan. Irudiaren iturria: Hossain , MI, etab.
3D inprimatzeko teknologiak ekoizpen-metodo tradizionalen bidez lortu ezin diren inprimatze-proiektuen kalitate bikaina konbina dezake.3D inprimaketaren ekoizpen-metodo berezia dela eta, fabrikatutako piezen kalitateak diseinu eta prozesu aldagaiek asko eragiten dute.
Machine learning (ML) modu askotan erabili da fabrikazio gehigarrian garapen eta fabrikazio prozesu osoa hobetzeko.FFFrako datuetan oinarritutako diseinu aurreratu metodo bat eta FFF osagaien diseinua optimizatzeko esparru bat garatu dira.
Ikertzaileek toberaren tenperatura kalkulatu zuten ikaskuntza automatikoko iradokizunen laguntzaz.ML teknologia inprimatzeko ohearen tenperatura eta inprimatze abiadura kalkulatzeko ere erabiltzen da;tamaina bera ezartzen da lagin guztientzat.
Emaitzek erakusten dute materialaren jariakortasunak zuzenean eragiten duela 3D inprimaketaren irteeraren kalitatean.Toberaren tenperatura egokiak soilik berma dezake materialaren behar den jariakortasuna.
Lan honetan, PLA, HDPE eta harizpi birziklatutako materialak TiO2 nanopartikulekin nahasten dira eta kostu baxuko 3D inprimatutako objektuak fabrikatzeko erabiltzen dira urtutako harizpi komertzialen fabrikazioko 3D inprimagailu eta harizpi estrusoreen bidez.
Filamentu ezaugarriak berritzaileak dira eta grafenoa erabiltzen dute estaldura iragazgaitza sortzeko, produktu amaituaren oinarrizko propietate mekanikoen aldaketak murrizteko.3D inprimatutako osagaiaren kanpoaldea ere prozesatu daiteke.
Lan honen helburu nagusia 3D inprimatutako elementuetan kalitate mekaniko eta fisiko fidagarriagoa eta aberatsagoa lortzeko modu bat aurkitzea da, normalean ekoitzi ohi diren 3D inprimatutako elementuekin alderatuta.Ikerketa honen emaitzek eta aplikazioek industriari lotutako programa ugari garatzeko bidea ireki dezakete.
Jarraitu irakurtzen: Zein nanopartikula dira fabrikazio gehigarrirako eta 3D inprimatzeko aplikazioetarako?
Hossain, MI, Chowdhury, MA, Zahid, MS, Sakib-Uz-Zaman, C., Rahaman, ML, & Kowser, MA (2022) 3D inprimagailuek egindako nanopartikulaz infusatutako plastikozko produktuen garapena eta analisia, ikaskuntza automatikoaren bidez gidatuta.Polymer testing, 106. URL honetan eskuragarri: https://www.sciencedirect.com/science/article/pii/S014294182100372X?via%3Dihub
Erantzukizuna: hemen adierazitako iritziak egileak izaera pertsonalean adierazitakoak dira, eta ez dute nahitaez webgune honen jabearen eta operadorearen, AZoM.com Limited T/A AZoNetwork, iritziak adierazten.Lege-oharpen hau webgune honen erabilera-baldintzen eta parte da.
Izerdi beroa, Shahir.(2021eko abenduaren 5a).Machine learning-ek plastikoa birziklatzen duten 3D inprimatutako produktuak optimizatzen ditu.AZoNano.https://www.azonano.com/news.aspx?newsID=38306 helbidean berreskuratua 2021eko abenduaren 6an.
Izerdi beroa, Shahir."Machine learning-ek birziklatutako plastikoetatik 3D inprimatutako produktuak optimizatzen ditu".AZoNano.2021eko abenduaren 6a..
Izerdi beroa, Shahir."Machine learning-ek birziklatutako plastikoetatik 3D inprimatutako produktuak optimizatzen ditu".AZoNano.https://www.azonano.com/news.aspx?newsID=38306.(2021eko abenduaren 6an kontsultatua).
Izerdi beroa, Shahir.2021. Ikaskuntza automatikoak birziklatutako plastikoetatik 3D inprimatutako produktuak optimizatzen ditu.AZoNano, 2021eko abenduaren 6an ikusita, https://www.azonano.com/news.aspx?newsID=38306.
AZoNano Jinian Yang doktorearekin hitz egin zuen lore-itxurako nanopartikulek epoxi erretxinen errendimenduan dituzten onurei buruzko ikerketan izandako parte-hartzeari buruz.
John Miao doktorearekin eztabaidatu genuen ikerketa honek material amorfoen ulermena aldatu duela eta gure inguruko mundu fisikoarentzat zer esan nahi duen.
NANO-LLPO eztabaidatu dugu Dominik Rejman doktorearekin, sendatzea sustatzen eta infekzioak prebenitzen dituen nanomaterialetan oinarritutako zaurien apainketa.
P-17 arkatza profiler gainazala neurtzeko sistemak neurtzeko errepikakortasun bikaina eskaintzen du 2D eta 3D topografia koherentea neurtzeko.
Profilm3D serieak gainazal optikoko profilagailu merkeak eskaintzen ditu, kalitate handiko gainazaleko profilak eta benetako koloreko irudiak sor ditzaketen eremu-sakonera mugagabearekin.
Raith-en EBPG Plus bereizmen handiko elektroi izpien litografiaren azken produktua da.EBPG Plus azkarra, fidagarria eta errendimendu handikoa da, zure litografia behar guztietarako aproposa.
Argitalpenaren ordua: 2021-12-07