Metal additive manufacturing (AM) processes often fabricate a near-net shape that includes the as-designed part as well as the sacrificial support structures that need to be machined away by subtractive manufacturing (SM), for instance multi-axis machining. Thus, although AM is capable of generating highly complex parts, the limitations of SM due to possible collision between the milling tool and the workpiece can render an optimized part non-manufacturable. We present a systematic approach to topology optimization (TO) of parts for AM followed by SM to ensure removability of support structures, while optimizing the part's performance. A central idea is to express the producibility of the part from the near-net shape in terms of accessibility of every support structure point using a given set of cutting tool assemblies and fixturing orientations. Our approach does not impose any artificial constraints on geometric complexity of the part, support structures, machining tools, and fixturing devices. We extend the notion of inaccessibility measure field (IMF) to support structures to identify the inaccessible points and capture their contributions to non-manufacturability by a continuous spatial field. IMF is then augmented to the sensitivity field to guide the TO towards a manufacturable design. The approach enables efficient and effective design space exploration by finding nontrivial complex designs whose near-net shape can be 3D printed and post-processed for support removal by machining with a custom set of tools and fixtures. We demonstrate the efficacy of our approach on nontrivial examples in 2D and 3D.


翻译:金属添加剂制造(AM)流程往往制造一种近网形状,包括设计好的部件以及需要通过减缩制造(SM)来机械化的牺牲性支持结构,例如多轴机械化。因此,尽管AM能够产生高度复杂的部件,但由于磨磨工具与工件之间可能发生碰撞,SM的局限性可以使部分的不制造成为最佳的不制造部分。我们提出了一个系统化的方法来优化AM的部件的地形优化,随后是SM,以确保支持结构的可再移动性,同时优化部件的性能。一个中心性能是表明该部件从近网形状的可复制性,即使用一套特定的切割工具组件和固定方向来显示每个支持点的可复制性。我们的方法不会对部分的几何复杂性、支持结构、机械化工具和固定装置设置任何人为的限制。我们扩展了获取性测量方法的理念,以确认无法进入的点,并用近网络的性性性功能来显示其无法移动的马力贡献。D的一个中心性效率是,通过连续的实地设计、不断的实地设计,使一个可扩展的硬性设计成为一个可扩展的实地设计,从而增强的实地设计,可以增强的硬性设计。

0
下载
关闭预览

相关内容

【KDD2020】图神经网络:基础与应用,322页ppt
专知会员服务
130+阅读 · 2020年8月30日
一份简单《图神经网络》教程,28页ppt
专知会员服务
120+阅读 · 2020年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
238+阅读 · 2020年4月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+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
99+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
已删除
将门创投
3+阅读 · 2018年11月20日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Capsule Networks解析
机器学习研究会
10+阅读 · 2017年11月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月6日
Arxiv
18+阅读 · 2020年7月13日
Arxiv
43+阅读 · 2019年12月20日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
已删除
将门创投
3+阅读 · 2018年11月20日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Capsule Networks解析
机器学习研究会
10+阅读 · 2017年11月12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