在3D打印中結(jié)合專家和自動化

卡內(nèi)基梅隆大學工程學院的研究人員開發(fā)出一種優(yōu)化軟材料3D打印的新方法。研究人員的專家指導優(yōu)化(EGO)方法將專家判斷與優(yōu)化算法相結(jié)合，優(yōu)化算法可有效搜索與3D打印相關的參數(shù)組合，從而實現(xiàn)高保真軟材料產(chǎn)品的打印。

研究人員包括主要作者Sara Abdollahi，博士。生物醫(yī)學工程專業(yè)的學生; Adam Feinberg，生物醫(yī)學工程和材料科學與工程副教授; 亞歷克斯戴維斯，工程和公共政策助理教授; 迪特里希人文與社會科學學院教授約翰米勒設計了EGO方法，以優(yōu)化高質(zhì)量的軟材料3D打印。

最近發(fā)表于PLOS One的論文“專家指導的軟質(zhì)和液體材料三維打印優(yōu)化” 研究人員展示了EGO方法，該方法使用液體聚二甲基硅氧烷(PDMS)彈性體樹脂，這是一種常用于可穿戴設備的材料傳感器和醫(yī)療設備。研究人員使用了一種稱為自由形式可逆嵌入(FRE)的印刷方法，其中軟材料沉積在凝膠支撐浴中。

對于3D打印軟材料，許多參數(shù)會影響最終產(chǎn)品。3-D打印機的頭部移動速度，打印產(chǎn)品的凝膠浴的稠度以及打印件中每種材料的濃度只是影響最終產(chǎn)品的一些變量。在每個印刷品中，可以考慮許多參數(shù)，以及它們的更多可能組合。

典型的優(yōu)化模型或?qū)嶒炘O計將關注一些被認為對印刷最重要的參數(shù)。然而，將這些優(yōu)化模型用于實驗材料(其3D打印特性并不為人所知)可能極具挑戰(zhàn)性。

“當3D打印熱塑性塑料時，如果你只有5個或10個主要打印參數(shù)，并且想要探索，比如每個級別的五個級別，那么因子設計可以產(chǎn)生數(shù)百萬種可能的打印設置組合，”Abdollahi說。“當探索其打印特性未知的實驗材料時，組合變得更加艱巨。例如，如果實驗材料具有20個打印參數(shù)，具有5個級別，則實驗者可以具有數(shù)萬億的打印設置組合以進行探索。”

然而，使用EGO模型，這一挑戰(zhàn)可以減少障礙，因為專家能夠排除許多組合無效。通過將專家的科學判斷與高效的搜索算法相結(jié)合，EGO顯著減少了尋找能夠為實驗材料提供最佳3D打印的組合所需的時間和精力。

“EGO的目的是創(chuàng)建一種有效的搜索算法，明確地結(jié)合專家知識和傳統(tǒng)的搜索算法，”戴維斯說。“通常我們認為機器學習對于大數(shù)據(jù)是有用的，但EGO適用于我們很少或沒有數(shù)據(jù)并且需要依賴專家判斷，然后通過搜索算法和專家知識的組合，有效地從小到小的過渡的情況。大數(shù)據(jù)。”

EGO模型由三個步驟組成。首先，人類專家選擇初始參數(shù)集，為算法提供搜索邊界。然后，爬山算法在這些邊界內(nèi)搜索這些參數(shù)的有希望的組合，從而產(chǎn)生“局部最優(yōu)”。最后，專家評估局部最優(yōu)并決定是否通過添加新參數(shù)來改變搜索過程，或繼續(xù)在現(xiàn)有邊界內(nèi)搜索。該過程重復進行，直到找到理想的解決方案。

EGO方法可以擴展到軟材料的3D打印，適用于各種工程過程，作為一種系統(tǒng)工具，可以發(fā)現(xiàn)產(chǎn)生可重復，高質(zhì)量，新穎材料的關鍵參數(shù)。