پژوهش
AgentAM دسترسی زبانی به مدل‌های پیش‌بینی فرایند چاپ سه‌بعدی فلزی را فراهم می‌کند
پیش‌چاپی در arXiv سامانه‌ای مبتنی بر عامل هوش مصنوعی معرفی می‌کند که با زبان طبیعی، برآوردهای مربوط به پاشش، حوضچهٔ مذاب و عیب‌های احتمالی در فرایند LPBF فولاد SS316L را در اختیار مهندسان می‌گذارد.
پژوهشگران AgentAM را برای بهینه‌سازی فرایند ذوب بستر پودر با لیزر (LPBF) معرفی کرده‌اند؛ روشی که در آن، به‌گفتهٔ چکیدهٔ مقاله، استفاده از مدل‌های پیش‌بینی در محیط تولید اغلب به‌دلیل نیاز به برنامه‌نویسی و دانش اختصاصی هر مدل دشوار است. این عامل زبانی از طریق Model Context Protocol به مدل‌های جانشینِ آموزش‌دیده با شبیه‌سازی دینامیک سیالات محاسباتی دسترسی می‌دهد.
مدل‌های چندجمله‌ای سامانه با ۲۷۹ شبیه‌سازی تک‌مسیره آموزش دیده‌اند و در بازهٔ آموزش، برای نقاط مختلف توان لیزر و سرعت حرکت آن، ابعاد حوضچهٔ مذاب و حجم پاشش را پیش‌بینی می‌کنند. مقاله برای پیش‌بینی ابعاد حوضچهٔ مذاب ضریب تعیین دست‌کم ۰٫۹۵ و برای حجم پاشش در داده‌های آزمون ضریب ۰٫۸۳ گزارش می‌کند. همچنین، معیارهای هندسی هر نقطهٔ کاری را در یکی از چهار رژیم عیبِ keyhole، lack of fusion، balling یا پایدار قرار می‌دهند. چکیده می‌گوید این دسته‌بندی با رژیم به‌دست‌آمده از شبیه‌سازی مطابقت دارد، اما متن منبع ارائه‌شده در میانهٔ جمله پایان می‌یابد و جزئیات بیشتری دربارهٔ ارزیابی سامانه در محیط تولید در دسترس نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده