En los últimos 30 años, el uso de materiales compuestos reforzados con fibra de vidrio y carbono en la industria aeroespacial y otras aplicaciones de alto rendimiento se ha disparado junto con la amplia adopción industrial de materiales compuestos.
La clave de la resistencia y versatilidad de estos materiales híbridos en capas en aplicaciones de alto rendimiento es la orientación de las fibras en cada capa. Las recientes innovaciones en la fabricación aditiva impresión 3D han hecho posible ajustar este factor, gracias a la capacidadpara incluir dentro del archivo CAD instrucciones discretas de orientación del cabezal de la impresora para cada capa del componente que se está imprimiendo, optimizando así la resistencia, la flexibilidad y la durabilidad para usos específicos de la pieza. Estas rutas de herramientas de impresión 3D una serie de ubicaciones coordinadas que una herramientaseguir en el archivo CAD las instrucciones son, por lo tanto, un secreto comercial valioso para los fabricantes.
Sin embargo, un equipo de investigadores de la NYU Tandon School of Engineering dirigido por Nikhil Gupta, profesor del Departamento de Ingeniería Mecánica y Aeroespacial, mostró que estas rutas de herramientas también son fáciles de reproducir, y por lo tanto robar, con el aprendizaje automático ML herramientas aplicadas a las microestructuras de la parte obtenida por una tomografía computarizada.
Su investigación, Ingeniería inversa de piezas compuestas aditivas fabricadas por reconstrucción de trayectoria utilizando imágenes y aprendizaje automático, publicado en Ciencia y tecnología de compuestos , demuestra este método de ingeniería inversa de un filamento de polímero reforzado con fibra de vidrio impreso en 3D que, cuando se imprime en 3D, tiene una precisión dimensional dentro de un tercio del 1% de la pieza original.
Los investigadores, incluidos los estudiantes de posgrado de NYU Tandon Kaushik Yanamandra, Guan Lin Chen, Xianbo Xu y Gary Mac muestran que la dirección de impresión utilizada durante el proceso de impresión en 3D se puede capturar desde la orientación de la fibra de la parte impresa a través de una imagen de escaneo micro-CTSin embargo, dado que la dirección de la fibra es difícil de discernir a simple vista, el equipo utilizó algoritmos ML entrenados en miles de imágenes de micro TC para predecir la orientación de la fibra en cualquier modelo impreso en 3D reforzado con fibra. El equipo validó su algoritmo MLresultados en modelos cilíndricos y de forma cuadrada que encuentran menos de 0.5 ° de error.
Gupta dijo que el estudio plantea preocupaciones por la seguridad de la propiedad intelectual en piezas compuestas impresas en 3D, donde se invierte un esfuerzo significativo en el desarrollo, pero los métodos modernos de ML pueden facilitar la replicación a bajo costo y en poco tiempo.
"Los métodos de aprendizaje automático se están utilizando en el diseño de piezas complejas, pero, como muestra el estudio, pueden ser un arma de doble filo, lo que hace que la ingeniería inversa también sea más fácil", dijo Gupta. "Las preocupaciones de seguridad también deben tenerse en cuenta duranteel proceso de diseño y las rutas de herramientas no razonables deben desarrollarse en la investigación futura "
Fuente de la historia :
Materiales proporcionado por NYU Tandon School of Engineering . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :