საკვანძო სიტყვები
ტოპოლოგიის ოპტიმიზაცია
გენერაციული დიზაინი
CAD სისტემები
საინჟინრო დიზაინის მიდგომები
როგორ უნდა ციტირება
ანოტაცია
ნაშრომში წარმოდგენილია გენერაციული დიზაინის საინჟინრო მიდგომები, ავტორებს აღნოშნული აქვთ, რომ დანამატის წარმოების AM (Additive Manufacturing) გამოჩენა ავლენს მიმდინარე კომპიუტერის დამხმარე დიზაინის CAD (Computer Aided Design) სისტემების საზღვრებს და, ამავე დროს, ხაზს უსვამს ტოპოლოგიის ოპტიმიზაციას TO (Topology Optimization) და გენერაციული დიზაინის GD (Generative Design) ინსტრუმენტების პოტენციალს, რომლებიც აქამდე არ იყო სრულად გამოყენებული. დიზაინის ტრადიციული მიდგომისგან განსხვავებით, სადაც დიზაინერები იკავებენ დომინანტურ როლს საინჟინრო დიზაინის პროცესის თითოეულ ეტაპზე, ნაშრომში აღნიშნულია, რომ ასეთი ხელსაწყოების დანერგვა პროდუქტის განვითარების პროცესში, უბიძგებს სიმულაციური დიზაინის მიდგომებისკენ, რაც გულისხმობს დიზაინერის როლის მნიშვნელოვან ცვლილებას. ამ მიზნით, ნაშრომში წარმოდგენილია დანამატების წარმოების ორი განსხვავებული დიზაინის მეთოდის შედარება, კერძოდ TO და GD ინსტრუმენტების გამოყენებით მიღებულ პროდუქტებზე. შედარება მიზნად ისახავს წარმოაჩინოს ასახვა ტრადიციული მიდგომის ევოლუციაზე, როდესაც გამოიყენება TO და GD ინსტრუმენტები, და გამოკვეთოს ამ ოპტიმიზაციის ხელსაწყოების პოტენციალი და შეზღუდვები CAD სისტემებთან ინტეგრირებული სახით მიღებისას. გარდა ამისა, ეს შედარებითი კვლევა შეიძლება იყოს სასარგებლო და პრაქტიკული წყარო დიზაინერებისთვის, რათა გამოავლინონ ყველაზე შესაფერისი მიდგომა მათი საჭიროებებისა და პროექტის რესურსებიდან გამომდინარე. შედარებითი კვლევა ტარდება Formula Student სარბოლო მანქანისთვის როკერის მკლავისა და სამუხრუჭე პედლის პროტოტიპის დიზაინის შესწავლით. მათი შედეგები, მექანიკური შესრულების თვალსაზრისით, გვიჩვენებს, რომ TO და განსაკუთრებით GD ხელსაწყოები შეიძლება ეფექტურად იქნას გამოყენებული ადრეულ ეტაპზე დიზაინის პროცესში, რომელიც ორიენტირებულია AM-ზე, რათა შეცვალონ კომპონენტები და ისინი გახადონ უფრო მსუბუქი და ძლიერი.
წყაროები
Tang, Y.; Zhao, Y.F. A survey of the design methods for Additive Manufacturing to improve functional performance. Rapid Prototyp. J. 2016, 22, 569–590.
Wiberg, A.; Persson, J.; Ölvander, J. Design for Additive Manufacturing—A review of available design methods and software. Rapid Prototyp. J. 2019, 25, 1080–1094.
Levy, G.N.; Schindel, R.; Kruth, J. Rapid manufacturing and rapid tooling with layer manufacturing (LM) technologies, state of the art and future perspectives. CIRP Ann. 2013, 52, 589–609.
Kruth, J.-P.; Leu, M.C.; Nakagawa, T. Progress in Additive Manufacturing and Rapid Prototyping. CIRP Ann. Manuf. Technol. 1998, 47, 525–540.
Vandenbroucke, B.; Kruth, J.-P. Selective laser melting of biocompatible metals for rapid manufacturing of medical parts. Rapid Prototyp. J. 2007, 13, 196–203.
Leal, R.; Barreiros, F.; Alves, M.; Romeiro, F.; Vasco, J.C.; Santos, M.; Marto, C. Additive Manufacturing tooling for the automotive industry. Int. J. Adv. Manuf. Technol. 2017, 92, 1671–1676.
Ituarte, I.F.; Chekurov, S.; Tuomi, J.; Mascolo, J.E.; Zanella, A.; Springer, P.; Partanen, J. Digital manufacturing applicability of a laser sintered component for automotive industry: A case study. Rapid Prototyp. J. 2018, 24, 1203–1211.
Ngo, T.D.; Kashani, A.; Imbalzano, G.; Nguyen, K.T.Q.; Hui, D. Additive Manufacturing (3D printing): A review of materials, methods, applications and challenges. Compos. Part B Eng. 2018, 143, 172–196.
Elsayed, M.; Ghazy, M.; Youssef, Y.; Essa, K. Optimization of SLM process parameters for Ti6Al4V medical implants. Rapid Prototyp. J. 2019, 25, 433–447.
Dankwort, C.W.; Weidlich, R.; Guenther, B.; Blaurock, J.E. Engineers’ CAx education—It’s not only CAD. Comput. Aided Des. 2004, 36, 1439–1450.
Barbieri, L.; Calzone, F.; Muzzupappa, M. Form and function: Functional optimization and Additive Manufacturing. In Advances on Mechanics, Design Engineering and Manufacturing II; Springer: Cham, Switzerland, 2019; pp. 649–658.
Bathe, K.J. Finite Element Procedures; Prentice Hall: Upper Saddle River, NJ, USA, 1996.
Sandberg M. Design for Manufacturing: Methods and Applications Using Knowledge Engineering. Ph.D. Dissertation, Luleå Tekniska Universitet, Luleå, Sweden, 2007.
Thompson, M.K.; Moroni, G.; Vaneker, T.; Fadel, G.; Campbell, R.I.; Gibson, I.; Bernard, A.; Schulz, J.; Graf, P.; Ahuja, B.; et al. Design for Additive Manufacturing: Trends, opportunities, considerations, and constraints. CIRP Ann. 2016, 65, 737–760.
Pagac, M.; Hajnys, J.; Halama, R.; Aldabash, T.; Mesicek, J.; Jancar, L.; Jansa, J. Prediction of Model Distortion by FEM in 3D Printing via the Selective Laser Melting of Stainless Steel AISI 316L. Appl. Sci. 2021, 11, 1656.
Afazov, S.; Denmark, W.A.D.; Lazaro Toralles, B.; Holloway, A.; Yaghi, A. Distortion prediction and compensation in selectivelaser melting. Addit. Manuf. 2017, 17, 15–22.
Sotomayor, N.S.; Caiazzo, F.; Alfieri, V. Enhancing Design for Additive Manufacturing Workflow: Optimization, Design and Simulation Tools. Appl. Sci. 2021, 11, 6628.
Bendsoe, M.P.; Sigmund, O. Topology Optimization: Theory, Methods, and Applications; Springer: Berlin/Heidelberg, Germany, 2003.
Bendsøe, M.P. Optimization of Structural Topology, Shape, and Material; Springer: Berlin/Heidelberg, Germany, 1995.
Sigmund, O.; Maute, K. Topology Optimization Approaches: A comparative review. Struct. Multidiscip. Optim. 2013, 48, 1031–1055.
Barbieri, L.; Muzzupappa, M. Performance-Driven Engineering Design Approaches Based on Generative Design and Topology Optimization Tools: A Comparative Study. Appl. Sci. 2022, 12, 2106. https://doi.org/10.3390/app12042106
ეს ნამუშევარი ლიცენზირებულია Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 საერთაშორისო ლიცენზიით .
საავტორო უფლებები (c) 2023 ქართველი მეცნიერები