Recherche d'arbres Monte Carlo: optimisation de la planification des parcours d'outils dans l'impression FDM 3D

Recherche d'arbres Monte Carlo: optimisation de la planification des parcours d'outils dans l'impression FDM 3D

Les auteurs Chanyeol Yoo, Samuel Lensgraf, Samuel Lensgraf, Lee M. Clemon et Ramgopal Mettu détaillent leurs recherches pour des améliorations de l'impression 3D FDM, décrites dans la publication récente

La plupart de la planification de parcours d'outil dans l'impression FDM 3D consiste en des modèles d'entrée découpés en couches; cependant, cela peut entraîner un manque d'efficacité en mouvement à certains moments, en particulier lorsque l'extrudeuse peut toujours être en mouvement mais pas réellement imprimer. Dans cette étude, les chercheurs ont entrepris de calculer un parcours d'outils efficace et optimal via un nouvel algorithme utilisant la Monte Carlo Tree Search (MCTS).

«Une méthode polyvalente puissante pour naviguer dans les grands espaces de recherche qui est garantie de converger vers la solution optimale», a analysé les SCTM dans le cadre de cette étude concernant sa capacité à améliorer les recherches.

«À notre connaissance, il s’agit du premier algorithme de planification de parcours d’outil avec toutes les garanties d’optimalité globale», ont déclaré les chercheurs.

Exemple de modèle de

Auparavant, les SCTM ont été utiles pour résoudre des problèmes dans les applications robotiques, ce qui a permis d'obtenir la plus grande efficacité souhaitée dans la planification de parcours d'outils.

«L’algorithme de recherche d’arbres de Monte Carlo est basé sur un algorithme de recherche biaisé pour trouver une solution optimale de manière asymptotique. À partir d’une condition initiale, un arbre croît à chaque itération. L’algorithme trouve le prochain meilleur nœud dans un arbre à développer en utilisant la limite de confiance supérieure (UCB), où UCB équilibre entre exploitation et exploration. Intuitivement, le nœud avec la plus grande probabilité de trouver une meilleure solution sera sélectionné. Une fois qu’un nœud est sélectionné pour l’expansion, une ou plusieurs séquences complètes sont générées de manière aléatoire à partir du nœud jusqu’à la fin (par exemple, la fin de l’horizon temporel) », ont expliqué les auteurs.

« Afin de rendre notre algorithme efficace, nous introduisons également un nouvel algorithme de clustering sur le graphique de dépendance pour le modèle d’entrée. »

Un exemple illustrant l'algorithme de clustering dans Alg. 1. (1) 16 contours bruts sont regroupés en trois sous-graphiques hautement dépendants (HDS), comme indiqué en (b).

Avec un ensemble de données composé de 75 modèles, l'utilisation de la méthode SCTM a démontré

Modèle «quatre écrous». Parcours d’outil pour la construction de la pièce par (a) (d) un planificateur par couches typique, (b) (e) une recherche locale à partir de [6], et (c) (f) un SCTM proposé, le rouge indiquant le mouvement non imprimable. Le parcours d’outil de solution pour chaque méthode est affiché en rouge. Les distances sans extrusion (en mm) sont respectivement de 16737, 12220 et 11057.

Modèle «Twisty». Parcours d’outil pour la construction de la pièce par (a) un planificateur de couches typique, (b) une recherche locale à partir de [6], et (c) des SCTM proposés, avec un rouge indiquant un mouvement de non-impression. Le parcours de la solution pour chaque méthode est affiché en rouge. Les distances sans extrusion (en mm) sont respectivement de 25021, 11423 et 11306.

«Une question naturelle est de savoir pourquoi on utiliserait les SCTM plutôt que la recherche locale pour un modèle donné. À l’aide de nos études empiriques, il semble que le résultat de l’étape de regroupement et la composition subséquente des composants HDS du graphique de dépendance fournissent des indications quant à savoir si les SCTM peuvent atteindre la convergence », ont conclu les chercheurs.

«Comme nous l’avons vu dans notre analyse empirique, s’il y a suffisamment de composants HDS par rapport à la taille du graphique de dépendance, il est fort probable que les SCTM convergent vers une trajectoire d’outil optimale. Si le nombre de composants HDS est trop grand, ou la taille moyenne est trop petite, alors les SCTM auront du mal à explorer l’espace de la trajectoire d’outils et peuvent avoir des résultats inférieurs à la recherche locale. »

Grappes colorées pour des exemples de pièces

Les chercheurs du monde entier continuent d'étudier les moyens d'affiner et d'utiliser l'impression 3D FDM, de l'expérimentation de nouveaux matériaux à la fabrication de dispositifs médicaux innovants. Que pensez-vous de cette nouvelle? Faites-nous part de vos pensées! Rejoignez la discussion sur ce sujet et d'autres sujets sur l'impression 3D sur 3DPrintBoard.com.

[Source / Image:

La publication Monte Carlo Tree Search: Optimizing Toolpath Planning in FDM 3D Printing est apparue en premier sur 3DPrint.com | La voix de l'impression 3D / fabrication additive.