HP利用英伟达AI提升BJ金属3D打印烧结变形预测效果，并公开成果

金属烧结是金属注射成型零件和粘结剂喷射技术制造过程中的必要步骤。这个过程会引起显著的变形，变形范围从25%到50%不等，通常取决于生坯的孔隙率。在最终零件中实现精确的几何精度和一致性，对于提高制造产量提出了重大挑战。此外，这种收缩是非等向的，因为它取决于烧结过程中产生的非均匀应力，从而导致诸如重力下垂、重力塌陷和表面拖曳等变形。

7月27日，3D打印技术参考注意到，惠普（HP）的3D打印部门正利用英伟达（NVIDIA）的开源人工智能工具Modulus来改进其3D打印流程。具体地说，这一人工智能技术利用物理信息神经网络将物理定律融入机器学习模型中，来提高HP粘结剂喷射金属3D打印后烧结阶段的变形预测效果。

惠普3D打印在最近的“Virtual Foundry Graphnet for Predicting Metal Sintering Deformation”论文中进行了详细阐述。该论文由惠普团队撰写，讨论了开发和应用基于图的深度学习模型，该模型旨在预测金属烧结过程中的零件变形。该研究强调，与传统方法相比，这种先进的模型显著加快了模拟时间。

在本研究中，工程师采用基于图的深度学习方法来预测零件的变形，其中变形模拟可以在体素级别上显著加速。通过使用训练有素的金属烧结推理引擎，可以在几秒钟内获得最终的烧结变形值。在对复杂几何形状的样品进行测试时，研究人员发现，在单个烧结步骤（相当于8.3分钟的物理烧结时间）中，63毫米测试零件的平均偏差为0.7微米，而在整个烧结周期（约4小时的物理烧结时间）中，平均偏差为0.3毫米。

惠普将这一工具被称之为Virtual Foundry Graphnet，制造商可用以优化打印过程，减少错误和缺陷，并提高零件质量。据3D打印技术参考了解，惠普公开了这项研究的代码，以帮助其他制造商进行创新和改进。

参考论文：

模型代码：

注：本文内容由3D打印技术参考整理编辑，转载请点击转载须知。