Sharpcut is a Computer Numerical Controlled Virtual Machining (VM) framework based on extendability, adaptability, and an open architecture that is scheduled to be open-sourced. Much of the research within VM is challenging to verify due to most scientists not providing enough material to reproduce the results. Sharpcut aims to simplify future research by providing a solid platform on which to build, thereby accelerating the process of publishing new scientific research within VM. This thesis aims to assist the researchers working on Sharpcut by lowering the computational power needed for running high-precision machining simulations. To this end, an overview of the modular architecture of Sharpcut was created, a benchmark was developed to profile and study the interactions between algorithms in Sharpcut, and when certain systems where shown to inhibit performance, more optimised algorithms were proposed, implemented, and tested. The results indicate that a streaming algorithm for calculating whether a span intersects with one of the triangles improves performance by on average 15.1 %; a better ray-inclusion search algorithm is required since the current average searched-to-cut-ratio is 2.4 %, resulting in much of the run time being wasted. Other optimisation strategies, such as running multiple axes in parallel or trimming the range of triangles tested for each ray, were tested and failed to increase performance. Other than recommending the inclusion of a streaming algorithm for span, notable conclusions include identifying sections of code that are bottlenecking the current algorithms, directions for further research into optimisation strategies, as this is the first investigation into the performance of Sharpcut, and the presentation of the first automated and standardised benchmark for Sharpcut.

Sharpcut är ett ramverk för virtuell CNC-bearbetning baserat på utbyggbarhet, anpassningsbarhet och en öppen arkitektur som planeras att släppas som öppen källkod. Ett problem inom forskning för virtuell bearbetning är bristen på källmaterial för att återskapa nya resultat. Sharpcut siktar på att förenkla publiceringsprocessen för ny forskning inom virtuell bearbetning genom att tillgängliggöra en stabil plattform som kan vidareutvecklas efter behov. Det här arbetet syftar till att hjälpa skaparna av Sharpcut genom att utveckla och integrera snabbare algoritmer för simuleringar av högprestanda bearbetningsprocesser. Inledningsvis skapades en översikt över ursprungliga algoritmer och en uppsättning tester som hårt belastar olika komponenter av Sharpcut. För de moduler som kraftigt begränsar simuleringskapaciteten diskuteras effektivare algoritmer, varav ett antal implementeras och utvärderas. Bland dessa är en ström-algoritm för att analysera spannen inom varje dexel med genomsnittligt 15.1 % förbättring av körtid samt en algoritm för att studera flera axlar av simuleringen samtidigt som inte resulterade i kortare körtid. En utförlig genomgång av Sharpcuts dexel-sökstrategi presenteras också som tyder på att nuvarande sök-till-skär algoritm i genomsnitt är 2.4 % effektiv, vilket innebär att mycket beräkningstid slösas på irrelevanta beräkningar. Förutom rekommendationen att Sharpcut bör uppgraderas med ström-algoritmen för spann, andra viktiga slutsatser från arbetet är att en funktion in Interaction noden kraftigt begränsar prestanda, att framtid forskning bör utvärdera alternativa filtrerings-strategier och att det första automatiserade verktyget för prestandajämförelser inom Sharpcut nu finns tillgängligt.