Bài giảng đại chúng: Công nghệ in 3D dựa trên dữ liệu - Hợp tác nghiên cứu liên ngành
![](/Cms_Data/Contents/viasm/Media/HoatDongKhoaHoc/bai-giang-gs-Hung.jpg)
Time:
Venue/Location:
Content:Thời gian: 14:00 thứ ba ngày 11/4/2023
Địa điểm: Hội trường Laurent Schwartz,Viện Nnghiên cứu cao cấp về Toán, 157 Chùa Láng, Đống Đa, Hà Nội
Diễn giả: GS. Nguyễn Xuân Hùng, Trường Đại học Công nghệ TP. Hồ Chí Minh (HUTECH), Thành viên Hội đồng khoa học Viện Nghiên cứu cao cấp về Toán.
GS. Nguyễn Xuân Hùng (H. Nguyen-Xuan) là Viện trưởng Viện Công nghệ nghiên cứu liên ngành CIRTech, HUTECH. Ông hiện là giáo sư thỉnh giảng (adjunct professor) tại Đại học Y khoa Tai Chung, Đài Loan (từ 2015 đến nay) và giáo sư thỉnh giảng tại Đại học Sejong, Hàn Quốc (từ 2014 đến nay). GS Nguyễn Xuân Hùng là Chủ tịch Hội chuyên ngành Cơ học tính toán Việt Nam. Ông làm việc trong Ban biên tập của Composite Structures, Computers & Structures, Engineering Fracture Mechanics, CMC: Computers, Materials & Continua. Ông cũng là Biên tập viên của CMES: Computer Modeling in Engineering & Sciences, Biên tập viên chủ đề của Underground Space và là Phó Ttổng biên tập của International Journal of Hydromechatronics.
Giáo sư Nguyễn Xuân Hùng nhận bằng Tiến sĩ về Cơ học tính toán của Đại học Liège, (Bỉ) năm 2008. Nghiên cứu của ông tập trung vào các phương pháp tính toán tiên tiến trong kỹ thuật, mô hình học máy dựa trên dữ liệu và công nghệ in 3D. Ông đã xuất bản hơn 250 bài báo có phản biện, trên các tạp chí trong danh mục WoS. Các công trình xuất sắc này đã giúp ông nằm trong số 1% Nhà nghiên cứu được trích dẫn cao – Clarivate trong chín năm liên tục, từ 2014 đến 2021 trong hạng mục Khoa học máy tính và 2022 trong lĩnh vực liên ngành.
Giáo sư Nguyễn Xuân Hùng đã giành được một số giải thưởng danh giá, tiêu biểu như The Alexander von Humboldt Foundation Digital Cooperation Fellowship (2021), The Outstanding Humboldtian (2019), và The Georg Forster Research Award – Humboldt Foundation (2015). Ngoài ra, ông đã nhận được bằng khen của Đại học Quốc gia TP.HCM trong nhiều năm liên tiếp (2008 – 2013), và Giải thưởng Nguyễn Văn Đạo (2011).
Tóm tắt: Sản xuất bồi đắp (AM), thường được gọi là in 3D, là một công nghệ tiên tiến trong cách mạng Công nghiệp 4.0, dự báo sẽ là cuộc cách mạng hóa lĩnh vực sản xuất trong 50 năm tới. Trong thập kỷ qua, công nghệ AM đã nhanh chóng phát triển, nổi lên thành các ứng dụng sản xuất có giá trị cao trong các lĩnh vực công nghiệp liên ngành khác nhau. Quy mô thị trường cho thấy AM đã tăng từ 18,33 tỷ USD vào năm 2022 lên ước tính 83,90 tỷ USD vào năm 2029 [1]. Có thể tìm thêm nhiều chi tiết xu hướng phát triển trong ngành in 3D trong [2]. AM không chỉ là sản xuất nguyên mẫu phục vụ nghiên cứu và ứng dụng, ẩn phía sau là liên quan đến việc giải quyết các mô hình toán học phức tạp của các vấn đề đa quy mô và đa vật lý, tính toán quy mô lớn và phát triển các vật liệu tiên tiến cùng với dòng máy in 3D và thế hệ tiếp theo. Quy trình giải quyết đồng thời và chính xác các quá trình AM tiên tiến – chẳng hạn như thiết kế tối ưu, điều chỉnh vật liệu, tối ưu hóa quy trình, giám sát tại chỗ, dịch vụ đám mây và bảo mật dữ liệu – có thể mang lại lợi ích đáng kể cho cả nhà cung cấp và khách hàng. Do đó, việc phát triển thành công các sản phẩm in 3D đòi hỏi kiến thức liên ngành và sự hợp tác trong các lĩnh vực như toán học, khoa học máy tính, vật lý, khoa học vật liệu và kỹ thuật,... Trong nghiên cứu gần đây, tác giả và cộng sự đã phát triển các mô hình toán học và kỹ thuật học sâu cho chu trình in 3D [3]. Cách tiếp cận [3,4] có thể được áp dụng cho các giai đoạn khác nhau, bao gồm tiền xử lý dữ liệu, chuẩn hóa dữ liệu, phân tích dữ liệu, chuẩn hóa quy trình in, tối ưu hóa quy trình in và xử lý phản hồi của khách hàng [5]. Hơn nữa, để thương mại hóa hiệu quả các sản phẩm dựa trên công nghệ in 3D, cần có sự hợp tác liên ngành trong lĩnh vực này.
References/Tài liệu tham khảo:
[1] https://www.fortunebusinessinsights.com/industry-reports/
[2] https://3dprintingindustry.com/
[3] Phuong D Nguyen, Thanh Q Nguyen, QB Tao, Frank Vogel, H Nguyen-Xuan, A data-driven machine learning approach for the 3D printing process optimisation, Virtual and Physical Prototyping, 17, 768-786, 2022.
[4] Thang Le-Duc, Quoc-Hung Nguyen, J. Lee, H Nguyen-Xuan, Strengthening Gradient Descent by Sequential Motion Optimization for Deep Neural Networks, IEEE Transactions on Evolutionary Computation, in press, 2022.
[5] https://ht3dprint.com/
Đăng ký: tại đây
Liên hệ:
Ms. Ngân Hà - 0984.612.338
Ms. Huyền My - 0981158499