Processing

Please wait...

Settings

Settings

Goto Application

1. WO2023283308 - EXTENDED FABRICATION-AWARE CONVOLUTION LEARNING FRAMEWORK FOR PREDICTING 3D SHAPE DEFORMATION IN ADDITIVE MANUFACTURING

Publication Number WO/2023/283308
Publication Date 12.01.2023
International Application No. PCT/US2022/036317
International Filing Date 07.07.2022
IPC
G06F 30/27 2020.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design
20Design optimisation, verification or simulation
27using machine learning, e.g. artificial intelligence, neural networks, support vector machines or training a model
G06N 20/00 2019.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
G06F 113/10 2020.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
113Details relating to the application field
10Additive manufacturing, e.g. 3D printing
Applicants
  • UNIVERSITY OF SOUTHERN CALIFORNIA [US]/[US]
Inventors
  • HUANG, Qiang
  • WANG, Yuanxiang
  • TORRES, Cesar Ruiz
Agents
  • GRAVES, Kyle W.
Priority Data
63/219,07707.07.2021US
Publication Language English (en)
Filing Language English (EN)
Designated States
Title
(EN) EXTENDED FABRICATION-AWARE CONVOLUTION LEARNING FRAMEWORK FOR PREDICTING 3D SHAPE DEFORMATION IN ADDITIVE MANUFACTURING
(FR) CADRE ÉTENDU D'APPRENTISSAGE À CONVOLUTION À CONNAISSANCE DE FABRICATION POUR PRÉDICTION DE DÉFORMATION DE FORME EN 3 DIMENSIONS (3D) EN FABRICATION ADDITIVE
Abstract
(EN) An apparatus, system, and method is provided for predicting 3D shape deformation in additive manufacturing. A convolution learning framework for shape deviation modeling provides joint learning for a wide class of 3D shapes including both spherical and polyhedral shapes. A 3D cookie-cutter function can effectively capture the unique pattern of the shape deformation for polyhedral shapes. Since 3D freeform shapes can be approximated as a combination of spherical and polyhedral patches, the extended convolution learning framework builds a foundation for modeling and predicting the quality of 3D freeform shapes. By changing the kernel function and considering new distance measures for points from different shapes, the spatial correlations among different shapes can be correctly incorporated. The predicted deformation may be used to offset the machine instructions to an additive manufacturing machine to ameliorate deformation.
(FR) L'invention concerne un appareil, un système et un procédé pour la prédiction d'une déformation de forme en 3 dimensions (3D) en fabrication additive. Un cadre d'apprentissage à convolution pour une modélisation d'écart de forme fournit un apprentissage conjoint pour une large classe de formes 3D comprenant à la fois des formes sphériques et polyédriques. Une fonction emporte-pièce 3D peut efficacement capturer le motif unique de la déformation de forme pour des formes polyédriques. Étant donné que des formes 3D à forme libre peuvent être approximées comme une combinaison de pièces sphériques et polyédriques, le cadre étendu d'apprentissage à convolution construit une fondation pour la modélisation et la prédiction de la qualité de formes 3D à forme libre. En modifiant la fonction noyau et en tenant compte de nouvelles mesures de distance pour des points issus de différentes formes, les corrélations spatiales entre différentes formes peuvent être correctement incorporées. La déformation prédite peut être utilisée pour décaler les instructions machine vers une machine de fabrication additive pour améliorer la déformation.
Latest bibliographic data on file with the International Bureau