“首件即合格”，数据与算法的驱动的智能化增材制造方式正在掀起3D打印行业的自我革命，是增材制造走向智能制造的跨时代金矿与赋能工具。如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。在过去十年中，关于 AM-增材制造加工过程监测的论文和专利数量急剧增加。这是因为AM-增材制造加工过程是一个动态过程，更是个数字化的过程，在构建过程中具有改进的潜力。根据3D科学谷的市场研究，人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

本期，通过节选近期国内数值模拟在增材制造领域方面的实践与研究的多个闪光点，3D科学谷与谷友一起来领略快速发展的数值模拟及机器学习在3D打印领域的研究情况。

© 3D科学谷白皮书

如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。

3D科学谷

 高斯移动热源作用下的
     选区激光熔化近场动力学模型

© 3D科学谷白皮书

杨凯亮、李怀学

中国航空制造技术研究院高能束流加工技术重点实验室

摘要：

残余应力和变形的有效预测能够保证金属增材制造零件质量。基于网格的传统有限元法已经能够为许多增材制造过程建立相应的高保真度模型，但其在复杂的边界条件、大变形和裂纹扩展、界面运动和相变等问题的求解方面存在不足。提出了一个三维近场动力学模型，用于模拟激光增材制造过程中温度场和变形。

首先，模型主要考虑了激光增材制造的基本热物理过程，基于近场动力学方法对选区激光熔化过程中热力耦合模型、粉末材料模型、热源模型等方面进行了建模；其次，通过多个单独的物理过程对模型进行验证，结果表明该模型稳定、准确，有望用于模拟激光增材制造过程；最后，将近场动力学模型用于模拟选区激光熔化单层制造过程并进行了分析。

 粗晶组织材料的超声检测
     有限元仿真方法研究

© 3D科学谷白皮书

杨功鹏1周正干1,2马腾飞3王俊1李洋2周文彬1

1.北京航空航天大学机械工程及自动化学院2. 北京航空航天大学宁波创新研究院3. 北京航空航天大学能源与动力工程学院

摘要：

粗晶组织金属材料具有晶粒粗大、声学各向异性、结构非均匀性等特点。超声波在其内部传播时，上述特点会引起强烈的波形畸变、声能衰减及结构声散射，导致超声检测回波信号信噪比差。为了掌握超声波在粗晶组织材料中的传播规律，为其超声检测方案提供理论指导，研究了粗晶组织材料的超声检测有限元仿真方法。基于维诺图算法生成了材料二维晶粒模型，通过材料弹性张量的形式对晶粒的各向异性取向进行了定义，建立了可实现参数化计算的有限元声学仿真模型。基于提出的有限元声学仿真模型，从单声束超声检测和阵列超声检测两个方面展开仿真方法研究：以具备等轴晶结构特征的镍基高温合金GH4169和具备柱状晶结构特征的增材制造钛合金为例，建立了单声束声衰减反射法测量仿真模型与阵列超声全矩阵数据采集仿真模型；仿真分析了不同各向异性指数以及平均晶粒尺寸下不同频率超声波的声衰减规律，计算了不同各向异性指数及不同检测方向下全聚焦成像的信噪比，并对其进行了相位相干成像降噪。对GH4169试样及增材制造钛合金试样的实验结果证明了以上仿真总结的规律，验证了仿真方法的有效性。

 数据与连续损伤力学双驱动的
     增材疲劳寿命预测模型

© 3D科学谷白皮书

王谙斌1甘磊2淦志强1范志明1苏永辉1吴昊1

1.同济大学航空航天与力学学院2. 哈尔滨工业大学(深圳)理学院

摘要：

传统的力学模型与新兴的数据驱动模型目前广泛用于增材制造的疲劳寿命预测中。其中，以连续损伤力学(Continuum Damage Mechanics，CDM)为代表的传统模型寿命预测模型存在着精度低、适用范围有限等问题，而以神经网络(Artificial Neural Network， ANN)为代表的数据驱动模型则始终受限于小样本工况。为解决上述问题，融合物理知识和数据信息的知识-数据双驱动模型近年来发展迅速。以此类双驱动模型为研究目标，本研究以激光粉末床熔融成型(Laser Powder Bed Fusion， LPBF)AlSi10Mg合金为研究对象，构建了可自动标定的CDM模型，并将其与基于ANN的数据驱动模型在各种工况下进行了结合，再进一步通过特征融合、参数融合和输出融合方法的手段，构建了三类以CDM模型与ANN模型为基础的知识-数据双驱动模型，并量化分析了它们在预测精度和数据需求等方面的性能。

研究结果表明：基于参数融合的模型，训练数据修正作用较为显著，在预测精度方面受CDM模型影响最小，并在CDM模型拟合结果较差时也能确保一定精度；基于特征融合的双驱动模型能最大化利用CDM模型中的物理信息，在数据充足时具有最高的预测精度与稳定性；基于输出融合的模型以CDM模型的结果为主导，利用ANN进行修正，具有五种模型中最好的非训练域（外推）预测性能。这些结果对于进一步发展知识-数据双驱动的高精度增材制造疲劳寿命预测模型具有重要的参考价值。

 基于机器学习的增材制造金属
     力学性能预测研究进展与挑战

© 3D科学谷白皮书

胡雅楠1余欢1吴圣川2奥妮2阚前华1吴正凯2康国政1

1.西南交通大学力学与航空航天学院2. 西南交通大学轨道交通运载系统全国重点实验室

摘要：

增材制造是现代高端装备制造领域的革命性突破技术之一。其中，增材构件的大批量生产和高可靠应用，关键在于制造可重复性、质量可靠性与性能可预测性。而在各向异性组织、广域分布缺陷、深部残余应力和复杂表面粗糙度等诸多因素的共同影响下，基于传统经验模型和有限数据的增材制造金属力学性能预测效率与准确性面临着严峻挑战。近年来，作为大数据与人工智能发展到一定阶段的必然产物，机器学习（Machine learning, ML）方法为有效处理高维物理量之间的复杂非线性关系提供了契机，在增材制造力学性能预测领域得到持续关注。

本研究综述了机器学习在增材制造材料及构件力学性能预测中的国内外研究进展。首先简述了常见的机器学习算法和通用的机器学习流程，重点分析了融合物理信息的机器学习（Physics-informed machine learning, PIML）方法的特点与构造方式；然后概述了增材制造力学性能四大影响因素的形成原因及机器学习在这些影响因素预测中的应用现状；重点介绍了ML和PIML在增材制造拉伸性能和疲劳断裂性能预测中的代表性研究成果；最后指出当前机器学习在增材制造力学性能预测中的局限性，并探讨了发展趋势和技术前景。

 大物性差异多材料
     激光增材制造界面研究进展

© 3D科学谷白皮书

孙小婧、袁丁、韦超、杨潇、李琳

中国科学院宁波材料技术与工程研究所激光极端制造研究中心

摘要：

随着多材料激光增材制造科学与技术的不断进步，一体化制备极端使役性能的大物性差异材料与元件成为可能。但大物性差异多材料增材制造成形界面问题尤为凸显。本文根据大物性差异多材料激光增材制造成形的进展，聚焦大物性差异材料的界面问题和界面优化方法。分别以激光吸收率差异、热物性差异、界面生成脆性相分类阐述界面问题。以工艺优化、功能梯度设计、复合制造三个方面对界面优化方法进行总结，为实现大物性差异材料的高质量成形提供方法。阐述大物性差异多材料激光增材制造建模与仿真研究进展，通过宏观和介观尺度模拟指导大物性差异材料的激光增材制造成形参数优化。并对多材料激光增材制造大物性差异材料的应用和共性科学问题及技术挑战给出展望和思考。

 增材制造成形件中
     位错的研究进展

© 3D科学谷白皮书

田根、王文宇、王晓明、赵阳、韩国峰、任智强、朱胜

陆军装甲兵学院装备再制造技术国防科技重点实验室

摘要：

增材制造是通过逐层堆积的方法制造实体零件的一种革命性技术，其成形性能受成形工艺、微观结构、沉积路径等影响，其中，位错作为晶体微观结构中广泛存在的一种线缺陷，是决定金属性能的一个重要因素。为深层次理解增材制造性能影响的本质机制，需进一步了解增材制造成形件中的位错特点。本文基于近年来增材制造成形件中位错的研究成果，梳理了位错的起源、特征和密度，分析了位错对强度等性能的影响。

与传统制造相比，增材制造成形过程中因固有的循环加热-冷却而造成的压缩-拉伸应力循环使得增材制造成形件中的位错具有独特的结构和性质。在塑性变形中，位错随应变变化明显，不同的初始位错影响成形件对应变的响应；增材制造成形件中测量的位错密度高于锻件或铸件，不同位置、不同形状的位错密度也存在一定的差异；位错强化是增材制造成形件中的主要强化作用，与此同时，在钢的成形件中，位错还可诱发马氏体相变，促使再结晶，另外还影响成形件的腐蚀、蠕变和氢脆等。

 晶体塑性有限元方法在增材制造
     金属材料力学性能研究中的应用

冯振宇1张宏宇1马佳威1陈琨1周良道2沈培良2陈向明3

1.中国民航大学安全科学与工程学院2. 上海飞机设计研究院3. 中国飞机强度研究所

摘要：

增材制造作为先进制造技术的代表，已被广泛应用于航空航天等高新技术领域。金属增材制造技术的高能量密度、高热和快速冷却等复杂工艺特点使得成形件的微观结构与传统制造技术所得成形件显著不同，这对金属材料力学性能有着重要影响。晶体塑性有限元方法将晶体塑性理论与有限元方法相结合，能够跨尺度分析增材制造金属材料微观结构与力学性能之间的关系，为优化工艺过程提供支撑。本文综述了近年来晶体塑性有限元方法在金属增材制造中的应用，阐述了代表增材制造金属材料微观结构特征的几何模型的建立方法和有限元应用，提出了相关发展趋势。

 立上电弧增材制造板件的
     成形精度影响与优化

陈昌荣1,2唐宝林1,2叶宇杰3练国富1,2黄旭1,2

1.福建理工大学福建省智能加工技术与装备重点实验室2. 福建理工大学机械与汽车工程学院3. 福建理工大学材料科学与工程学院

摘要：

目的 针对悬臂结构立焊位置成形质量差的问题，本研究旨在探究电弧增材制造工艺参数对悬臂结构多道搭接质量及组织的影响规律，以实现悬臂结构工艺参数的预测与优化，从而提高多道搭接焊道表面质量与内部组织性能。方法 采用响应面Box-Behnken方法，分析焊接电流、焊接电压和偏移量对焊接接头成形与性能的影响规律，建立了工艺参数与焊接接头响应指标的数学模型。

结果 试验结果表明，表面平整度与焊接电压成正比，与搭接率成反比；偏移量的增加先使总高减小，然后有所增加，而焊接电流与总高成正比；偏心率与焊接电流成正比，与搭接率成反比。以平整度大、总高大、偏心率接近于1为优化目标，最佳工艺参数为电流85.4 A，电压22 V，偏移量为3 mm。与预测值相比较，实际值的平整度、总高和偏心率的误差率分别为0.48%、4.40%和1.89%。研究还探究了单道多层焊接接头组织性能与工艺参数的关系，发现了焊接热影响重合区组织细化的现象。

结论 研究结果验证了所构建数学模型的可靠性，对改善高难度悬臂结构制造的形貌以及提高成形质量具有重要的指导意义。

 超声波辅助增材制造
     温度场数值分析

© 3D科学谷白皮书

张伟博1,2刘伟1,2李谦3荀巍3李素丽4张振超4

1.陕西国防工业职业技术学院智能制造学院2. 航天高端制造陕西省高校工程研究中心3. 西安沣东生产力促进中心有限公司4. 西安科技大学机械工程学院

摘要：

文中基于增材制造激光数值模拟理论、送丝和超声模拟理论，对熔池内超声波辅助作用相关的空化效应、声流强化作用和声流热效应进行分析，采用高斯热源模拟现实中的激光对增材制造的材料进行加热熔化，通过对熔体的单独建模，并辅以超声振动和高斯热源加热，观察超声振动对熔池内流速场变化产生的影响。深入研究超声辅助打印时的温度场、温度梯度差异及熔池内的流速场分布，选择出最佳的超声辅助增材制造工艺参数并进行试验验证。

结果表明：超声振动有利于熔池内流体流动，还会使熔池内的温度分布更加均匀，温度梯度更小。最后对仿真结果中层间温度最低点、中间截面和中心轴线上温度分布和温度梯度分布进行分析，并选定最佳激光功率和超声振幅进行了试验验证，验证了模型的正确性，为相关的研究提供了新思路。

 面向增材制造的
     数字孪生实施方法综述

© 3D科学谷白皮书

孟德状1杨伟东1,2蔡子行1郭智3

1. 河北工业大学机械工程学院2. 国家技术创新方法与实施工具工程技术研究中心3. 北京机科国创轻量化科学研究院有限公司

摘要：

增材制造以其全数字化加工方式可为数字孪生模型提供可靠的数据支撑；数字孪生有助于增材制造在设计、制造、服务等过程中充分发挥其不同于传统制造的优势，二者的结合在工业制造领域受到广泛关注。以总结数字孪生在增材制造中的实施方法为目的，首先介绍数字孪生的概念和发展历程，分析了增材制造中实施数字孪生的关键技术；其次基于数字孪生对于增材制造全生命周期过程的应用潜力，从设计、制造、质量检测以及服务4个阶段阐述了国内外相关研究的方法和侧重点。另外，展望了粘结剂喷射工艺中实施数字孪生的挑战，并提出了针对其的一种数字孪生技术路线。最后总结了增材制造中实现数字孪生存在的难题以及未来的发展方向。

 变位磁场作用电弧增材中
     电弧和熔池传热与流动数值模拟

周祥曼1,2杨胜波1王礴允1吴海华1,3田启华1付君健1,2张海鸥4

1.三峡大学机械与动力学院2. 三峡大学水电机械设备设计与维护湖北省重点实验室3. 石墨增材制造技术与装备湖北省工程研究中心4. 华中科技大学机械科学与工程学院

摘要：

为了揭示具有纵向和横向分量的外加变位磁场对TIG电弧增材成形过程中电弧和熔池传热与流动的影响机理，基于流体动力学软件Fluent，建立了电弧与熔池耦合的三维瞬态模型。对比分析了不同角度的变位磁场对电弧形貌、电磁力、热流密度、熔池形貌及熔池速度场的影响规律与机理。

结果表明：无外加磁场时，电弧与熔池对称分布，施加变位磁场时，电弧和熔池中产生周向旋转和偏向一侧的电磁力，使电弧与熔池发生旋转与偏移，熔池除了具有由内向外的流动，还具有围绕中心旋转和偏向一侧的流动；增大变位磁场的变位角度使横向磁场分量减小，纵向磁场分量增加，从而使偏向一侧的电磁力减小，周向旋转电磁力增大，进而使电弧偏转与熔池偏移减弱，熔池旋转流动趋势增强。研究结论可为后续磁控电弧增材制造传热、传质的机理分析及工艺参数的选择提供理论依据和参考。

l 谷专栏 l

欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。

白皮书下载 l 加入3D科学谷QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷

前置反馈像3D打印设备的大脑，“告诉”打印机如何做避免错误。利用所能得到的最新信息，进行认真、反复的预测，把计划所要达到的目标同预测相比较，并采取措施修改计划，以使预测与计划目标相吻合。

 神经网络的高级算法

根据3D科学谷的市场观察，LLNL正在将卷积神经网络原理用于机器学习“修复”3D打印金属零件，通过神经网络的高级算法用于实时来分析构建质量，并就就如何改进构建质量提出建议。LLNL正在朝着一键打印的目标努力。

Wayne King所在的LLNL国家实验室从2011年就引入了3D打印技术，目前拥有200多名科学家从事增材制造工作。作为全球领先的3D打印增材制造研究中心之一，LLNL配有三个3D打印实验室，这些实验室所从事的是具有前沿探索以及商业化转化价值的研究。

多年来，劳伦斯利弗莫尔国家实验室的工程师们使用传感器和成像技术来分析金属3D打印背后的物理和过程，以便每次都能够首次构建高质量的金属零件。现在，他们正在利用机器学习来实时处理3D构建期间获得的数据，可以在几毫秒内检测构建是否是高质量的。更确切地说，他们正在开发卷积神经网络（CNN），这是一种通常用于处理图像和视频的算法，通过观察大约每段10毫秒的视频来预测部件是否良好。

 用于下围棋，也可用于预测3D打印结果

根据业内专家，卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等。包括Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术。

那么卷积神经网络的计算原理是怎样的呢？ “卷积” 和 “神经网络”. 卷积也就是说神经网络不再是对每个像素的输入信息做处理了,而是图片上每一小块像素区域进行处理, 这种做法加强了图片信息的连续性。 使得神经网络能看到图形, 而非一个点。这种做法同时也加深了神经网络对图片的理解。具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息，每一次收集的时候都只是收集一小块像素区域，然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息结构，比如说总结的边缘能够画出眼睛，鼻子等等。再经过一次过滤，脸部的信息也从这些眼睛鼻子的信息中被总结出来。最后我们再把这些信息套入几层普通的全连接神经层进行分类，这样就能得到输入的图片能被分为哪一类的结果了。

拿粉末床金属熔融技术来说，金属粉末一层一层的被凝固，从而成为最终零件，在层凝固的过程中就有着与模型切片所对应的图像成像过程，由此说来，卷积神经网络原理用于3D打印的前馈控制是颇具发展潜力的

 制造，最终回归于软件与算法？

LLNL的研究人员通过标记每个构建过程的高度图的算法，然后使用相同的模型来预测构建路径的宽度和标准偏差。路径是否被破坏是由一套算法来判断的，这套算法是LLNL国家实验室的研究员Bodi Yuan开发的。

此前，LLNL的一些研究人员花了数年时间收集激光粉末床熔融金属3D打印过程的各种形式的实时数据，包括视频，光学层析成像和声学数据。逐渐，LLNL发现，如此大的数据量，不可能通过人工来进行所有的数据分析，由此他们寄希望于神经网络是否可以简化任务。

根据LLNL国家实验室，就像人类大脑使用视觉和其他感官来导航世界一样，他们希望通过机器学习分析传感器获取的数据来导航3D打印过程。

根据3D科学谷的了解，LLNL国家实验室开发的神经网络可以用于其他3D打印系统。理论上，研究人员应该能够遵循相同的算法，在不同条件下创建零件，收集视频，以生成可用于标准机器学习技术的信息。

目前，LLNL国家实验室仍然需要做一些工作来检测零部件中的孔隙，这些部位无法通过高度图扫描进行预测，但可以通过非原位X射线照相技术进行测量。除了视频之外，研究人员还将尝试创建算法以合并分析其他类型的传感器所获取的数据。

参考资料：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-03-A-CNN/

资料下载，请加入3D科学谷3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.51shape.com,在首页搜索关键词
网站投稿请发送至2509957133@qq.com

尤其是粉末床金属熔融3D打印过程中，粉末飞溅和微裂纹等缺陷 – 是航空部件等高安全要求条件所不可接受的。

卡内基梅隆大学工程学院（CMU）的两位研究人员已经想出了如何将3D打印和机器学习结合起来进行实时过程监控，这种做法可以检测件在3D打印过程中的异常情况，他们研究的目标是开发自我纠错的3D打印机。

卡内基梅隆大学机械工程系（MechE）校友Luke Scime与卡内基梅隆大学Next Manufacturing中心的主管Jack Beuth合作创建了一种机器学习算法，该算法对激光粉末床熔融技术进行过程监控纠错。

图：人工智能对层进行分析

目前，很多研究人员正在使用包括声学技术、光谱学和温度监测等方法来了解激光熔融过程中每一层发生了什么。但是，这些有限的监测方法并不具备自动分析的能力，只能提供供操作员解读的数据。而Scime和Beuth所用的方法跟当前的方法不同的是，他们应用的是计算机视觉算法。

Scime通过创新算法拍摄粉末床的图像并提取特征，根据3D科学谷的了解，他们将这些特征进行分组并在不同层次的分析中进行比较，直到创建图像的指纹。人工智能已经学会了如何识别不同的缺陷，这是因为研究人员提供了数百个预标记的训练图像。现在，它可以比较它接收到的新图像的指纹和它已知的指纹以隔离各种异常。

在Scime和Beuth在《增材制造》杂志上发表题为“使用训练过的计算机视觉算法用于激光粉末床增材制造过程中的异常检测和分类”的论文中，他们演示了算法如何能够检测粉末中的瑕疵，而通过该算法还可以确定缺陷是什么以及它发生在哪里，这可以帮助提高过程稳定性（3D打印的一致性控制能力）。

论文中提到通过一种原位监测和分析粉末床图像的方法，可能成为粉末床金属熔融实时控制系统的一个组成部分。具体而言，使用计算机视觉算法来自动检测和分类在该过程的粉末扩散阶段发生的异常。这项工作将使金属3D打印成为工业生产中具有高可靠性的工艺的发展道路上向前迈出一大步。

（a）重涂层跳跃，（b）重涂器划痕，（c）碎片，（d）超高程，（e）部件失效，（f）不完整蔓延

根据Scime，自动纠正错误最终可能以几种不同的方式工作，其中最基本的方式是一旦发现异常情况，3D打印机向操作员发送警报，以便早日解决问题。当然，你可以继续教导一台3D打印机识别关键缺陷并自动执行简单的修复。

–—- 3D科学谷Review

金属3D打印的目标是融入到世界的主流制造应用过程中，如航空航天部件，生物医学植入物，和高性能的汽车。研究如何控制金属内部的结构与金属的3D打印的质量息息相关。在3D科学谷看来，针对粉末床金属熔融3D打印技术，卡内基梅隆大学正在从粉末筛选、过程控制、检测等多个方面发力，以推动金属3D打印融入到世界的主流制造应用过程。

除了正文提到的过程控制，在粉末筛选方面，根据3D科学谷的了解，2017年卡内基梅隆大学工程学院的研究人员就开发了机器视觉技术，可以自动识别和分类不同种类的3D打印金属粉末，准确度达95％以上。根据卡内基梅隆大学，该技术在五年内可能会获得广泛推广。

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

在没有手动监督的情况下通过计算机视觉来识别和分类粉末，计算机可以看出，金属粉末是否具有零件要求的微观结构质量 – 强度、抗疲劳度、韧性等。如果是这样，一旦进行3D打印，金属粉末就不太可能带来零件裂纹或发生加工故障。

此外，在检测方面，卡内基·梅隆大学材料科学与工程系还在通过巨大的同步X射线辐射机，足以看到百万分之一米的金属内部细节。X射线扫描金属3D打印的数据被送回匹兹堡来分析金属打印结果与打印参数之间的关系。

在卡耐基-梅隆大学的Next Manufacturing中心，作为全球领先的增材制造研究中心之一，该中心将大量的数据用于分析，以获得更好的理解增材制造过程以及质量控制的能力。

卡耐基-梅隆大学的Next Manufacturing中心正在实现他们设定的目标，包括：像设计零件的几何形状一样设计加工过程；监督和控制增材制造过程；在同一个零件的不同位置体现不同的材料，不同的微观结构和机械性能；用广泛范围内的金属粉末；内部孔隙度的消除或设计。

资料下载，请加入3D科学谷3D产业链QQ群：529965687
更多信息或查找往期文章，请登陆www.51shape.com,在首页搜索关键词
网站投稿请发送至2509957133@qq.com