Анализ актуальных исследований в области применения машинного обучения для оптимизации процессов в аддитивном производстве

Авторы: Хохлов А.В.
Опубликовано в выпуске: #1(102)/2026
DOI:
Раздел: Информатика, вычислительная техника и управление | Рубрика: Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
Ключевые слова: аддитивное производство, машинное обучение, оптимизация параметров, фотополимеризация в ванне, сплавление порошка, экструзия материалов, прогнозирование дефектов, качество продукции
Опубликовано: 16.02.2026

Исследовано применение машинного обучения и объяснимого искусственного интеллекта в различных процессах аддитивного производства, таких как фотополимеризация в ванне, сплавление порошка, струйная обработка связующего, струйная печать материалов, направленное энергетическое осаждение и экструзия материалов. Показано, что применение гибридных алгоритмов и моделей, таких как сверточные нейронные сети и байесовская оптимизация, позволяет улучшить механические характеристики и стабильность микроструктурных свойств. В рассматриваемых материалах продемонстрирован потенциал применения искусственного интеллекта и алгоритмов машинного обучения для повышения эффективности и надежности производственных процессов, что подчеркивает его значимость для инноваций в таких отраслях, как аэрокосмическая, биомедицинская и автомобильная промышленность.

Литература

[1] Sattari K., Wu Y., Chen Z., Mahjoubnia A., Su C., Lin J. Physics-constrained multi-objective bayesian optimization to accelerate 3D printing of thermoplastics. Additive Manufacturing, 2024, vol. 86, art. no. 104204. https://doi.org/10.1016/j.addma.2024.104204

[2] Lestari D.M., Chen P.-C., Li J.-S., Shen W.-Y. Rapidly and precisely fabricating solid microneedle by integrating vat photopolimerization and machine-learning (VP-ML). Journal of Manufacturing Processes, 2025, vol. 141, pp. 181–192. https://doi.org/10.1016/j.jmapro.2025.02.042

[3] Hariharasakthisudhan P., Nafiz Imteaz, Logesh K., Adel Safa, Sathish Kannan, Sanjairaj Vijayavenkataraman, Rahmat Susantyoko. Optimization of Al2O3/SS316L composites fabricated via laser powder bed fusion using machine learning and multi-objective optimization. Materials Today Communications, 2025, vol. 44, art. no. 112098. https://doi.org/10.1016/j.mtcomm.2025.112098

[4] Aminzadeh M., Kurfess T.R. Online quality inspection using Bayesian classification in powder-bed additive manufacturing from high-resolution visual camera images. J. Intell. Manuf., 2019, vol. 30 (6), pp. 2505–2523. https://doi.org/10.1007/s10845-018-1412-0

[5] Yuhang Qian, Xia Luo, Qianlong Wei, Bensheng Huang, Zhou Fan, Ruo Huang, Liang Zhang, Kurapova O.Yu., Konakov V.G. Printing parameters optimization assisted by machine learning and sintering behavior of binder jetting 3D printed 2024Al alloy. Journal of Materials Research and Technology, 2025, vol. 35, pp. 5796–5808. https://doi.org/10.1016/j.jmrt.2025.02.217

[6] Reckert A., Lang V., Weingarten S., Johne R., Klein J.-H., Ihlenfeldt S. Quality Prediction and Classification of Process Parameterization for Multi-Material Jetting by Means of Computer Vision and Machine Learning. J. Manuf. Mater. Process., 2024, vol. 8 (1), art. no. 8. https://doi.org/10.3390/jmmp8010008

[7] Segura L.J., Li Z., Zhou C., Sun H. Droplet evolution prediction in material jetting via tensor time series analysis. Additive Manufacturing, 2023, vol. 66 (43), art. no. 103461. https://doi.org/10.1016/j.addma.2023.103461

[8] Riensche A.R., Bevans B.D., King G., Krishnan A., Cole K.D., Rao P. Predicting meltpool depth and primary dendritic arm spacing in laser powder bed fusion additive manufacturing using physics-based machine learning. Materials & Design, 2024, vol. 237, art. no. 112540. https://doi.org/10.1016/j.matdes.2023.112540

[9] Tartici I., Bartolo P. Procedia, Exploring Materials Extrusion in 3D Printing: Real-time Monitoring, and Machine Learning for Predicting Mechanical Properties. Procedia CIRP, 2024, vol. 130, pp. 86–92. https://doi.org/10.1016/j.procir.2024.10.060

[10] Kumar D., Liu Y., Song H., Namilae S. Explainable deep neural network for in plain defect detection during additive manufacturing. Rapid Prototyping Journal, 2023, vol. 30 (1), pp. 49–59, https://doi.org/10.1108/RPJ05-2023-0157

[11] Lambard G., Sasaki T.T., Sodeyama K., Ohkubo T., Hono K. Optimization of direct extrusion process for Nd–Fe–B magnets using active learning assisted by machine learning and Bayesian optimization. Scripta Materialia, 2022, vol. 209, art. no. 114341. https://doi.org/10.1016/j.scriptamat.2021.114341