MARC

 008260203s2023        us                              c    eng  d
■001000017365966
■00520260209102905
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265400345
■035    ▼a(MiAaPQ)AAI32315638
■035    ▼a(MiAaPQ)GeorgiaTech73168
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aJohnson,  Marshall.
■24510▼aAutomated  Exploration  of  High-Mix,  Low  Volume  Direct  Write  Design  Spaces  Through  Artificial  Intelligence
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a108  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Kalidindi,  Surya.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aAdditive  manufacturing  has  experienced  considerable  growth  over  the  recent  decades  from  technological  infancy  to  functional  use  across  a  range  of  industries  and  applications.  This  growth  has  come  with  increased  challenges  as  optimal  function  of  production  parts  requires  the  marriage  of  both  the  proper  material  and  geometry.  This  challenging  optimization  problem  is  currently  solved  through  the  intervention  of  AM  experts  to  ensure  proper  process  parameters  are  selected.  While  acceptable  in  some  cases,  the  need  for  such  interventions  obstructs  AM  from  reaching  its  full  potential  to  deliver  customized  solutions  in  a  high-mix,  low-volume  (HMLV)  circumstance.  Thus,  there  is  a  crucial  need  for  solutions  that  accommodate  frequent  changeovers  that  are  innate  to  HMLV  without  sacrificing  the  ability  to  analyze  the  complex  properties  of  interest.  Artificial  Intelligence  (AI)  and  its  specific  success  with  image  analysis  represents  an  opportunity  assist  in  AM  for  HMLV  manufacturing  and  ease  the  burden  from  AM  experts.  The  proposed  research  will  utilize  direct  ink  write  (DIW)  to  demonstrate  the  capabilities  of  AI  to  impact  HMLV  manufacturing  in  the  following  case  studies:  The  first  study  will  develop  a  generalizable  image  analysis  and  AI  tool  to  classify  DIW  printed  linear  self-supporting  filaments  and  demonstrate  the  tool's  value  when  paired  with  domain  expert  knowledge  to  automate  optimal  process  parameter  discovery.  The  second  study  will  utilize  similar  image  analysis  and  AI  methodology  on  the  DIW  printing  of  quantum  dot  (QD)  ink  drops,  a  vastly  different  AM  application,  to  classify  the  spatial  ink  distribution  of  the  printed  drops.  The  third  study  will  apply  further  AI  techniques  to  build  upon  the  image  analysis  and  AI  tool  using  data-driven  exploration  to  discover  sufficient  parameters  to  DIW  print  complex  non-linear  self-supporting  geometries.  This  case  will  extend  beyond  the  realm  of  expert  domain  knowledge  as  seen  in  the  first  study  and  instead  demonstrate  the  power  of  AI  to  assist  in  exploring  complex  process  parameter  spaces.  The  tools  constructed  over  the  course  of  these  three  studies  will  showcase  the  value  AI-driven  analysis  can  provide  HMLV  manufacturing  -  a  field  whose  needs  are  often  left  unfulfilled  by  standard  modern  AI  practice.
■590    ▼aSchool  code:  0078.
■650  4▼aSupport  vector  machines
■650  4▼aComputer  science
■690    ▼a0800
■690    ▼a0984
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365966▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books