Tytuł pozycji:
A review of generative design using machine learning for additive manufacturing
This review explores how generative design is combined with machine learning (ML) to achieve additive manufacturing (AM) and its societal transformative effect. Generative design uses complex algorithms to automate the process of designing best-fit designs, mass customization, and customization to suit specific customer requirements with high efficiency and quality. The scalability and predictability of artificial intelligence (AI) models make handling huge data easy and enable scale-up of production without compromising quality. This paper also focuses on how generative design can help accelerate innovation and product creation because it empowers designers to play in a wider space of design and provide solutions that cannot be reached with traditional techniques. AI integration with existing production processes is also vital to real-time manufacturing optimization—further increasing overall operational effectiveness. Additionally, the emergence of sophisticated predictive models like gradient boosting regression shows how ML can enable better accuracy and robustness of 3D printing operations to achieve quality standards of the outputs. This paper ends with what generative design and ML hold for the future of AM and how designing continues to be improved and modified to match changing industry requirements.
W niniejszym artykule przeglądowym zbadano, w jaki sposób projektowanie generatywne jest łączone z uczeniem maszynowym w celu realizacji produkcji przyrostowej i jej transformacyjnego wpływu na społeczeństwo. Projektowanie generatywne wykorzystuje złożone algorytmy w celu automatyzacji procesu projektowania najlepiej dopasowanych struktur, masowej personalizacji i dostosowywania do konkretnych wymagań klienta przy zachowaniu wysokiej wydajności i jakości. Skalowalność i przewidywalność modeli sztucznej inteligencji (ang. Artificial Intelligence - AI) ułatwiają obsługę dużych ilości danych i umożliwiają skalowanie produkcji bez uszczerbku dla jakości. Niniejszy artykuł koncentruje się również na tym, w jaki sposób projektowanie generatywne może pomóc przyspieszyć innowacje i wytwarzanie wyrobów, ponieważ umożliwia projektantom działanie w szerszej przestrzeni projektowania i dostarczanie rozwiązań, których nie można osiągnąć za pomocą tradycyjnych technik. Integracja AI z istniejącymi procesami produkcyjnymi ma również kluczowe znaczenie dla optymalizacji produkcji w czasie rzeczywistym — co dodatkowo zwiększa ogólną skuteczność operacyjną. Ponadto pojawienie się zaawansowanych modeli predykcyjnych, takich jak regresja z pobudzeniem gradientowym (ang. gradient boosting regression), pokazuje, w jaki sposób uczenie maszynowe może zapewnić lepszą dokładność operacji drukowania 3D w celu zapewnienia standardów jakościowych wyrobów. Artykuł zakończono omówieniem projektowania generatywnego i uczenia maszynowego w aspekcie rozwoju przyszłościowego wytwarzania przyrostowego oraz sposobów, według których projektowanie może być udoskonalane i modyfikowane, tak aby dostosowywać się do zmieniających się wymagań przemysłu.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).
