一种基于模拟仿真和人工智能的FFF 3D打印工艺的优化方法

技术领域

本发明涉及一种基于模拟仿真和人工智能的FFF 3D打印工艺的优化方法，属于增材制造技术领域。

背景技术

熔融沉积成型(FDM)作为众多增材制造(AM)工艺中的一种，已经被大量学者研究用于生产具有复杂结构的碳纤维增强复合材料(CFRP)。根据作为增强相的碳纤维类型的不同，目前FDM被分为连续碳纤维打印和非连续碳纤维打印。而不连续碳纤维打印在生产过程中具有更高的设计灵活性，允许更加随意地生产各种形状。但是，由于零件中纤维朝向的不可控制，导致目前打印生产的不连续CFRP在强度上比传统复合材料生产工艺低一个数量级，迫切需要一种能够增加碳纤维长度、体积分数以及控制纤维排列方向的打印工艺。因此设计新型打印喷头具有重要的意义。

在过去的几十年，人们为了得到性能更加优越的不连续CFRP打印件进行了大量研究。其中影响打印件的性能主要是一下三个方面：(1)打印过程相关工艺参数(包括打印速度、床层高度和打印轨迹等)；(2)打印喷头几何形状以及(3)聚合物熔体流变行为和纤维微观结构(纤维长度、体积分数以及朝向等)。研究结果表明，通过调整打印喷头挤出工艺来控制打印工件中的纤维朝向和纤维长度能够显著提高工件的力学性能。尽管实验研究难度并不大，但在打印过程中监控基体和纤维的运动非常具有挑战性，检测手段费用高昂。凭借能够提供更多实验难以测量数据的优势，数值模拟方法已被用于研究和优化不连续CFRP打印件的3D打印过程。因此，我们通过数值模拟手段对打印喷头进行结构优化设计，探究喷头优化后对FDM打印过程中纤维运动和受力的影响。

然而，对打印工件最终性能影响的因素十分多样，不同条件下的工况数量多如牛毛，难以通过数值模拟实验的方式全部实现。而机器学习(ML)作为人工智能的一个重要分支，是预测不同工艺条件下工件中碳纤维断裂和分布情况的一种具有吸引力的替代方法，并且可以基于数值模拟结果更方便快速地预测不同条件下碳纤维的断裂和分布情况。作为ML中的典型代表之一，BP神经网络模型是一种由输入层、隐含层和输出层构成的阶层型前向人工神经网络，具有单隐含层的BP神经网络可逼近任意的非线性函数，同时结构较为简单，计算复杂度较低，训练过程也比较容易掌控，参数估计和泛化能力也更容易掌握的优点使其更能满足计算的需要。因此，通过BP神经网络模型是一种高效的预测喷头优化方案改进效果的有效手段。

发明内容

基于上述背景技术中提到的问题，本发明提供一种基于模拟仿真和人工智能的FFF 3D打印工艺的优化方法，用于解决打印喷头优化实验成本高、优化结果不可控等问题。

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于模拟仿真和人工智能的FFF 3D打印工艺的优化方法，其包括：

提出熔融沉积成型3D打印工艺打印喷头优化设计方案；

构建熔融沉积成型3D打印工艺打印喷头模型；

进行CFD-DEM耦合数值模拟实验以及搭建人工神经网络，最终实现最优参数的确定。

所述熔融沉积成型3D打印工艺打印喷头优化设计方案是指将打印喷头倾斜布置，其中打印喷头出口处为弧型设计。所述熔融沉积成型3D打印工艺打印喷头模型使用计算机软件ICEMCFD进行三维建模以及网格划分。

所述CFD-DEM耦合数值模拟实验通过ANSYSFluent和EDEM软件共同实现。其中ANSYSFluent模拟熔融聚合物的流动行为，EDEM模拟碳纤维的变形断裂以及运动过程，通过将两者间的动量和能量交换实现耦合。熔融沉积成型3D打印工艺参数(如喷头几何形状、进料速度、床层高度、打印速度等)通过ANSYSFluent软件导入到数值模型中，碳纤维相关参数(如碳纤维的长度和直径、杨氏模量、泊松比等)通过EDEM软件导入到数值模型中。

所述人工神经网络为BP神经网络，由输入层、隐含层和输出层构成，其中包含四个输入节点、两个输出节点和一个隐含层的BPNN模型，输入节点分别为喷头倾斜角度、喷头形状、打印速度和床层高度，两个输出节点为碳纤维断裂数量和稳定后碳纤维的朝向；通过所述CFD-DEM耦合数值模拟实验结果作为训练样本进行训练。

所述最优参数通过所述人工神经网络确定，判定依据为更少的纤维断裂和更统一的纤维朝向。

本发明通过数值模拟和人工神经网络的手段更加高效、低成本地实现打印喷头结构优化设计方案对打印过程的影响。通过将打印喷头倾斜能够显著降低挤出沉积过程纤维朝向的转变程度，避免纤维出现较大变形，提高打印工件中的纤维长度的同时尽可能避免纤维与熔融聚合物的相对运动，进而提高工件中的纤维朝向统一度，降低工件孔隙度，提高工件力学强度。

附图说明

图1为本发明所述的基于模拟仿真和人工智能的FFF 3D打印工艺的优化方法示意图；

图2为本发明所述的FDM打印过程的示意图；

图3为本发明所述的打印喷头优化结构示意图；

主要元件符号说明如下：送丝设备1、内含碳纤维的复合熔丝2、支撑材料3、打印喷头4、打印工件5、打印床6、打印平台7、熔融聚合物8、碳纤维9。

图4为本发明所述的人工神经网络BPNN模型示意图；

图5a为本发明所述的打印喷头优化前后纤维形变量对比结果之一；

图5b为本发明所述的打印喷头优化前后纤维形变量对比结果之二；

图5c为本发明所述的打印喷头优化前后纤维形变量对比结果之三。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，单本发明的保护范围并不限于此。

如图1所示，一种基于模拟仿真和人工智能的FFF 3D打印工艺的优化方法，其包括提出熔融沉积成型3D打印工艺打印喷头优化设计方案、构建熔融沉积成型3D打印工艺打印喷头模型、进行CFD-DEM耦合数值模拟实验以及搭建人工神经网络，最终实现最优参数的确定。

所述熔融沉积成型3D打印工艺打印喷头优化设计方案是指将打印喷头倾斜布置，其中打印喷头出口处为弧型设计。如图2和图3所示。

所述熔融沉积成型3D打印工艺打印喷头模型使用计算机软件ICEMCFD进行三维建模以及网格划分。

所述CFD-DEM耦合数值模拟实验通过ANSYSFluent和EDEM软件共同实现。其中ANSYSFluent模拟熔融聚合物的流动行为，EDEM模拟碳纤维的变形断裂以及运动过程，通过将两者间的动量和能量交换实现耦合。熔融沉积成型3D打印工艺参数(如喷头几何形状、进料速度、床层高度、打印速度等)通过ANSYSFluent软件导入到数值模型中，碳纤维相关参数(如碳纤维的长度和直径、杨氏模量、泊松比等)通过EDEM软件导入到数值模型中，如图4所示。通过数值模拟手段使用已构建的柔性纤维-非牛顿流体CFD-DEM耦合模型对所述打印过程进行模拟，从颗粒尺度对打印过程中发生的纤维弯曲断裂以及最终朝向进行统计说明所述打印喷头的优化方案的有效性，模拟所用参数如下表1所示。

表1模拟所用参数

对上述的CFD-DEM模型以及蒸发模型进行求解，模拟计算时长为0.3s。然后对仿真结果进行分析。

如图5a到图5c为打印喷头优化前后纤维形变量对比结果。结果表明，随着倾斜角度的增大，纤维形变量出现了数量级的降低。表明与传统竖直喷头相比，在倾斜喷头挤出沉积过程中碳纤维受到的外力显著降低，能够有效缓解使用传统喷头打印过程中的碳纤维断裂现象。

然后，构建人工神经网络为BP神经网络，由输入层、隐含层和输出层构成，其中包含四个输入节点、四个输出节点和两个隐含层的BPNN模型，输入节点分别为喷头倾斜角度、喷头形状、打印速度和床层高度，四个输出节点为碳纤维断裂数量、碳纤维最大形变量、稳定后碳纤维的朝向和喷头堵塞情况；将得到的CFD-DEM模拟结果作为训练样本进行训练，训练好的人工神经网络可以用于高效预测其他未模拟工况下的碳纤维行为情况。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明做其它形式的限制，任何本领域技术人员可以利用上述公开的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。