Makine öğrenimi etkileştirilmiş ekstrüzyon bazlı 3 boyutlu yazıcıların optimizasyonu
Machine learning-enabled optimization of extrusion-based 3d printing
- Tez No: 764376
- Danışmanlar: Assoc. Prof. Dr. SAVAŞ TAŞOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Tasarım, Teknoloji ve Toplum Bilimi Ana Bilim Dalı
- Bilim Dalı: Tasarım Teknoloji ve Toplum Bilim Dalı
- Sayfa Sayısı: 84
Özet
Makine Öğrenimi ve üç boyutlu (3B) baskı, bilimin en hızlı büyüyen dalları arasındadır. Makine Öğrenimi, bilgisayarların karar vermek için minimum insan müdahalesi ile mevcut verilerden bağımsız olarak öğrenmesini sağlar, ve 3B baskı, sınırlı üretim deneyimine sahip kullanıcılar için hızlı bir geri dönüş yeteneği ile modern, çok malzemeli, karmaşık 3B yapıların üretimi için yol açtı.Ancak, optimum baskı parametrelerinin belirlenmesinin hala zor olması baskı öncesi işlem süresini ve malzeme israfını arttırmaktadır.. Bu tezde, makine öğrenimi ve üç boyutlu baskıyı ilk defa birleştirerek kullanımı kolay bir grafik kullanıcı arayüzü vasıtasıyla baskı parametresi optimizasyonunu sunuyoruz. 3 boyutlu baskı teknolojisinde yaygın bir biçimde kullanılan ortogonal tasarımın aksine, biz, ilk kez dokuz farklı bilgisayar destekli tasarım görseli kullandık ve Makine Öğrenimi algoritmalarının tasarımlar arası farklılıkları öğrenmelerini sağlayabilmek için, bu tasarımların“karmaşıklık indeksini”hesaplayan özgün bir method geliştirdik. Buna ek olarak, ilk defa, baskı sonuçlarının ve bilgisayar destekli tasarım görüntülerinin benzerliği, Makine Öğreniminde en iyi etiketleme methodunu bulabilmek amacıyla kendi tasarladığımız dört farklı etiketleme methoduyla (hem manuel hem otomatik) ölçülmüştür. Bunun ardından, 3B baskı uygulamaları için en iyi Makine Öğrenimi modelini belirlemek için 224 veri noktasında sekiz Makine Öğrenimi algoritması eğittik.“Gradyan arttıran regresyon”modeli, 0,954 R-2 puanıyla en iyi tahmin performansını vermektedir. Bu çalışmada geliştirilen Makine Öğrenimi gömülü grafik kullanıcı arayüzü, kullanıcılara (3 boyutlu yazıcılarda ve/veya Makine Öğreniminde eğitimli olsun veya olmasın) basılması istenen tasarımı, yüklenen dizaynın 3 boyutlu baskısına yakın bir benzerlik elde etmek için, istenen baskı sıcaklığı ve basınç değeri ile birlikte grafik kullanıcı arayüzüne basit bir şekilde yükleme imkanını sunmaktadır. Bu da, sonuçta, baskı öncesi deneme yanılma adımlarını önleyebilir ve bunun karşılığında daha az malzeme israfı ve daha fazla maliyet verimliliği ile tasarımdan son ürüne kadar geçen süreyi hızlandırabilir.
Özet (Çeviri)
Machine learning (ML) and three-dimensional (3D) printing are among the fastest-growing branches of science. While ML can enable computers to independently learn from available data to make decisions with minimal human intervention, 3D printing has opened up an avenue for modern, multi-material, manufacture of complex 3D structures with a rapid turn-around ability for users with limited manufacturing experience. However, the determination of optimum printing parameters is still a challenge, increasing pre-printing process time and material wastage. Here, we present the first integration of ML and 3D printing through an easy-to-use graphical user interface (GUI) for printing parameter optimization. Unlike the widely held orthogonal design used in most of the 3D printing research, we, for the first time, used nine different computer-aided design (CAD) images and in order to enable ML algorithms to distinguish the difference between designs, we devised a self-designed method to calculate the“complexity index”of CAD designs. In addition, for the first time, the similarity of the print outcomes and CAD images are measured using four different self-designed labeling methods (both manually and automatically) to figure out the best labeling method for ML purposes. Subsequently, we trained eight ML algorithms on 224 datapoints to identify the best ML model for 3D printing applications. The“gradient boosting regression”model yields the best prediction performance with an R-2 score of 0.954. The ML-embedded GUI developed in this study enables users (either skilled or unskilled in 3D printing and/or ML) to simply upload a design (desired to print) to the GUI along with desired printing temperature and pressure to obtain the approximate similarity in the case of actual 3D printing of the uploaded design. This ultimately can prevent error-and-trial steps prior to printing which in return can speed up overall design-to-end-product time with less material waste and more cost-efficiency.
Benzer Tezler
- Türbomakinalarda akış analizi ile ilgili bir araştırma
Başlık çevirisi yok
MEHMET ALİ GÜNAY
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiAkdeniz ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HÜSEYİN ŞALVARLI
- Isparta'da jeneratör gazı üretimi ve dağılımı
Başlık çevirisi yok
HALİS YAVUZ
Yüksek Lisans
Türkçe
1987
EnerjiAkdeniz ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. Z. KAZIM TELLİ
- Güneş enerjisi ile ısıtma ve soğutma sistemleri (Antalya ilinde uygulama)
Başlık çevirisi yok
NURCAN ERGÖNEN
Yüksek Lisans
Türkçe
1989
Makine MühendisliğiAkdeniz ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ŞALVARLI
- Her diesel motoruna uygulanabilecek süper şarj sisteminin araştırılması
Başlık çevirisi yok
M. ORHAN TUYGUN
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiAkdeniz ÜniversitesiMakine Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA BAYHAN
- Sürekli sistemlerde çok bileşenli gaz difuzyonu
Başlık çevirisi yok
HAVVA CEYLAN
Yüksek Lisans
Türkçe
1988
Makine MühendisliğiAkdeniz ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. Z. KAZIM TELLİ