استفاده از یادگیری ماشین برای فرآیند تولید افزودنی و توسعه مواد بسیار بالغ است. این توسط صنعت پذیرفته شده است و میوه کم آویزان است. با این حال، استفاده از یادگیری ماشین به طور خاص برای توسعه مواد مجاز مجاز، هنوز در حال پیشرفت است. خوشحالم که ما اکنون دو نمایش موفقیت آمیز از رویکرد یادگیری ماشینی تا حد مجاز انجام داده ایم – یک بار در این برنامه با استفاده از یک آلیاژ فلز و در مقایسه با MMPDS، و یک بار در یک برنامه قبلی که توسط America Makes تامین شده بود و از مواد پلیمری استفاده می کرد و مقایسه می کرد. به CMH-17 – اما تحقیقات بیشتری مورد نیاز است. زاک سیمکین، رئیس Senvol، گفت: پیشرفت فوق العاده است، و ما مشتاقانه منتظر ادامه همکاری با دولت و صنعت برای پیشبرد کار در این زمینه هستیم.
رویکرد یادگیری ماشینی بسیار منعطف است و قادر به مدیریت هرگونه تغییر در فرآیند AM است، که این رویکرد را برای پایداری طولانی مدت ایده آل می کند. این برنامه بر نشان دادن این رویکرد با استفاده از یک ماده فولادی ضد زنگ 17-4 PH که از طریق یک دستگاه AM همجوشی بستر پودری پردازش می‌شد، متمرکز بود.
من بسیار خوشحالم که برای این برنامه به تیم Senvol ملحق شدم. رویکرد فعال سازی یادگیری ماشین Senvol مستقیماً به یک چالش بزرگ صنعت می پردازد: توسعه سریع و مقرون به صرفه مجاز ویژگی مواد تولید افزودنی. من با صلاحیت چندین فرآیند ساخت افزودنی و مواد برای پرواز درگیر بوده ام و به نظر من، توسعه بیشتر این فناوری تأثیر مثبتی بر هزینه، برنامه و عملکرد پلت فرم های دفاعی و تجاری خواهد داشت. دکتر William E. Frazier، دانشمند ارشد بازنشسته مهندس وسایل نقلیه هوایی در NAVAIR، دانشمند ارشد نیروی دریایی برای مهندسی مواد، و در حال حاضر رئیس Pilgrim Consulting LLC.
هزینه بالای توسعه مجاز تا حد زیادی از این واقعیت ناشی می شود که توسعه مجاز مواد نیازمند حجم عظیمی از داده های تجربی برای تولید در یک نقطه پردازش ثابت است – به این معنی که همه داده های تجربی باید به طور معمول از ابتدا بازسازی شوند. زمانی که یک تغییر اساسی در روند وجود دارد. این منجر به یک فرآیند AM می شود که نه تنها برای اجرای بار اول پرهزینه و زمان بر است، بلکه نگهداری در درازمدت زمانی که تغییرات اجتناب ناپذیری در فرآیند AM وجود دارد پرهزینه و زمان بر است.
Senvol، یک شرکت مدیریت پایگاه داده، مستقر در نیویورک، اخیراً یک رویکرد یادگیری ماشینی را برای توسعه مواد مجاز نشان داده است که نشان داده شد نسبت به رویکرد معمولی – در این مورد، استانداردسازی توسعه خواص مواد فلزی (MPDS) – انعطاف‌پذیرتر، مقرون به صرفه‌تر و مقرون به صرفه‌تر است.
کاربران نرم‌افزار Senvol ML شامل سازمان‌هایی در زمینه هوافضا، دفاع، نفت و گاز، محصولات مصرفی، صنایع پزشکی و خودروسازی و همچنین تولیدکنندگان ماشین‌های AM و تامین‌کنندگان مواد AM هستند.
