Kombination af eksperter og automatisering i 3D-print

Forskere ved Carnegie Mellon University's College of Engineering har udviklet en ny tilgang til optimering af 3D-print af blødt materiale. Forskernes Expert-Guided Optimization (EGO) metode kombinerer ekspertvurderinger med en optimeringsalgoritme, der effektivt søger kombinationer af parametre, der er relevante for 3D-udskrivning, gør det muligt at udskrive high-fidelity produkter af blødt materiale.

Forskerne - som omfatter hovedforfatter Sara Abdollahi, en ph.d. studerende i biomedicinsk teknik; Adam Feinberg, lektor i biomedicinsk teknik og materialevidenskab og teknik; Alex Davis, adjunkt i teknik og offentlig politik; og Dietrich College for humaniora og samfundsvidenskab professor John Miller-designet EGO-metoden til at optimere 3D-udskrifter af bløde materialer i høj kvalitet.

I deres papir, "Ekspertstyret optimering til 3D-udskrivning af bløde og flydende materialer, ", der for nylig blev offentliggjort i PLOS One , forskerne demonstrerer EGO -metoden ved hjælp af flydende polydimethylsiloxan (PDMS) elastomerharpiks, et materiale, der ofte bruges i bærbare sensorer og medicinsk udstyr. Forskerne brugte en udskrivningsmetode kaldet freeform reversibel indlejring (FRE), hvor bløde materialer aflejres i et gelbærerbad.

Når det kommer til 3D-udskrivning af bløde materialer, mange parametre kan påvirke det endelige produkt. Hvor hurtigt hovedet på 3D-printeren bevæger sig, konsistensen af ​​gelbadet, hvor produktet trykkes, og koncentrationerne af hvert materiale i trykket er blot nogle få af de variabler, der kan påvirke det endelige produkt. I hvert tryk, der kan være snesevis af parametre at tage hensyn til, og mange flere mulige kombinationer af dem.

En typisk optimeringsmodel eller eksperimentelt design vil fokusere på et par parametre, der anses for at være de vigtigste for trykket. Imidlertid, tilpasning af disse optimeringsmodeller til eksperimentelle materialer, hvis 3D-udskrivningskarakteristika ikke er velkendte, kan være ekstremt udfordrende.

"Når 3D-udskrivning af termoplast, hvis du kun har fem eller 10 hovedudskrivningsparametre og vil udforske, sige, fem niveauer af hver, et faktorielt design kan resultere i millioner af mulige kombinationer af indstillinger til udskrivning, "siger Abdollahi." Kombinationerne bliver endnu mere skræmmende, når man udforsker et eksperimentelt materiale, hvis trykegenskaber er ukendte. For eksempel, hvis forsøgsmaterialet har 20 udskrivningsparametre med fem niveauer, eksperimentatoren kan have billioner af kombinationer af udskriftsindstillinger at udforske. "

Imidlertid, med EGO -modellen, denne udfordring kan gøres mindre af en hindring, fordi eksperter er i stand til at udelukke mange kombinationer som ineffektive. Ved at kombinere en eksperts videnskabelige vurdering med effektive søgealgoritmer, EGO reducerer betydeligt den tid og energi, der kræves for at finde kombinationer, der giver optimale 3D-udskrifter til eksperimentelle materialer.

"Formålet med EGO er at skabe en effektiv søgealgoritme, der eksplicit kombinerer både ekspertviden og traditionelle søgealgoritmer, "siger Davis." Typisk tænker vi på, at maskinlæring er nyttig til store data, men EGO fungerer i situationer, hvor vi har få eller ingen data og skal stole på ekspertvurderinger, derefter gennem en kombination af søgealgoritmer og ekspertens viden, effektiv overgang fra små til store data. "

EGO -modellen består af tre trin. Først, en menneskelig ekspert vælger det første sæt parametre, giver algoritmen grænserne for søgning. Derefter, en bakkeklatringsalgoritme søger inden for disse grænser efter lovende kombinationer af disse parametre, hvilket resulterer i et "lokalt optimalt." Endelig, eksperten vurderer det lokale optimalt og beslutter, om søgeprocessen skal ændres ved at tilføje nye parametre, eller fortsæt med at søge inden for de eksisterende grænser. Processen gentages, indtil der findes en ideel løsning.

EGO -metoden, som kan strække sig ud over 3D-udskrivning af bløde materialer til en række tekniske processer, har stort potentiale som et systematisk værktøj til at opdage de vigtigste parametre, der giver reproducerbare, høj kvalitet, nye materialer.