Carnegie Mellon: ottimizzazione della stampa 3D di materiali morbidi con l’apprendimento automatico

Mentre la stampa 3D di materiali morbidi, come silicone o proteine, offre molti vantaggi, introduce anche molte nuove e complicate variabili da considerare quando si crea una nuova parte. I materiali morbidi esistenti che possono essere stampati in 3D commercialmente sono in qualche modo limitati poiché non hanno tutte le proprietà di cui i ricercatori hanno bisogno per avanzare completamente nei loro sviluppi e finiscono per lavorare entro i limiti della tecnologia attuale. Uno dei principali problemi con la stampa 3D di un materiale morbido è che tende a deformarsi sotto le forze che si verificano normalmente, a volte anche durante la costruzione, quindi richiedono materiali di supporto. Secondo i ricercatori del College of Engineering della Carnegie Mellon University, ciò significa che la produzione additiva di materiali morbidi richiede l’ottimizzazione di inchiostri stampabili, formulazioni di queste materie prime e processi di stampa complessi che devono bilanciare un gran numero di variabili disparate ma altamente correlate (come le dimensioni delle particelle di polvere di metallo, la forma e la dimensione del pool di fusione o velocità di alimentazione del filamento, larghezza dell’estrusione, velocità di stampa lineare e spessore dello strato o viscosità della sospensione). A causa della necessità critica di metodologie integrate, hanno sviluppato un algoritmo gerarchico di machine learning (HML) che ottimizza i parametri di questo tipo di materiali per la stampa 3D, utilizzando Freeform Reversible Embedding (FRE), un metodo recentemente sviluppato per la stampa 3D di precursori di polimeri liquidi che comportano la deposizione controllata di un precursore di fluidi in un bagno acquoso di supporto.

Il team, guidato da Newell Washburn , professore di ingegneria biomedica e chimica alla Carnegie, che insieme ai colleghi Adam Feinberg , professore associato di ingegneria biomedica e scienza dei materiali e ingegneria; Barnabas Poczos , professore di machine learning presso la School of Computer Science, e studente di dottorato in scienze dei materiali e ingegneria Aditya Menon, ha recentemente pubblicato un articolo sul loro lavoro, intitolato ” Ottimizzazione della stampa 3D in silicone con l’apprendimento gerarchico della macchina “, in Stampa 3D e additivo Produzione. Il documento dimostra come il loro nuovo algoritmo è stato progettato per ottimizzare stampe 3D in materiale morbido di alta qualità.

“Sempre più spesso stiamo iniziando a realizzare componenti e dispositivi più morbidi basati su materiali per aree a bassa tecnologia come sensori e applicazioni mediche e per aree ad alta tecnologia come la robotica leggera”, ha affermato Washburn. “Ma ogni volta che aggiungi un altro componente aumenti esponenzialmente la complessità del processo di produzione. Ecco dove un algoritmo di apprendimento automatico potrebbe davvero aiutare con l’ottimizzazione. “

Gli algoritmi di machine learning, che sono un tipo di algoritmo di intelligenza artificiale, sono progettati per sviluppare una relazione tra le variabili di input e gli output di un sistema complesso basato su dati di training. Secondo Carnegie Mellon, gli algoritmi tradizionali negli strumenti di apprendimento automatico generalmente trattano i sistemi come scatole nere e quindi tentano di definire una superficie di risposta basata su analisi statistiche. Ciò richiede quindi estesi set di dati per l’addestramento di questi modelli, che possono essere difficili da generare, soprattutto se si considera il numero di variabili e il tempo necessario per sondare i parametri di elaborazione sperimentale. Ma per il complesso problema su cui il team di ricerca sta lavorando, non ci sono molti dati. Pertanto, per tenere conto di ciò, Washburn e il suo team hanno creato un algoritmo HML personalizzato che incorpora le conoscenze degli esperti su come funzionano i sistemi fisici e i parametri con dati limitati disponibili. Washburn assicura che HML utilizza la conoscenza del sistema fisico sottostante – in questo caso, la fisica delle variabili di stampa 3D FRE – per tracciare connessioni tra le variabili giuste, riducendo significativamente i tempi e la quantità di dati necessari.

“Questo nuovo algoritmo di apprendimento automatico è un potente strumento che abbiamo progettato per utilizzare nel nostro lavoro di ricerca per sistemi fisici complessi, utilizza set di dati molto piccoli che ci consentono di ottimizzare le loro prestazioni. Per i progetti di stampa 3D, il materiale e le tecnologie che stiamo sviluppando ci consentiranno di ottimizzare la stampa 3D di interi organi in cui stiamo applicando una complessa miscela di componenti, materiali e celle. L’obiettivo generale della nostra ricerca è progettare materiali per la funzione e non solo per la composizione, sfruttando la comprensione di come funzionano questi materiali “, afferma Washburn.

I ricercatori sono stati in grado di stampare 2,5 volte più velocemente, stampare con inchiostro che in precedenza non funzionava bene e l’algoritmo ha anche identificato una formulazione di silicone unica e parametri di stampa che non erano stati trovati in precedenza con approcci di prova ed errore. Con questi risultati, i ricercatori – alcuni dei quali sono affiliati sia alla Manufacturing Futures Initiative sia alla Bioengineered Organis Initiative – sono ottimisti sul fatto che l’HML avrà un’ampia applicazione per la pianificazione e l’ottimizzazione nella AM di molti tipi di materiali morbidi, come per applicazioni biomediche tramite il metodo FRE.

Il team ha utilizzato una stampante Makerbot Replicator modificata su misura con un estrusore per pompa a siringa per eseguire tutti i test di stampa 3D e ha utilizzato elastomeri di silicone di Dow Corning come materiali

Nel 2018, un altro team di ricercatori del College of Engineering del Carnegie Mellon ha escogitato un nuovo approccio per ottimizzare la stampa 3D di materiali morbidi: un metodo di ottimizzazione guidato da esperti (EGO) che utilizza anche il metodo di stampa FRE 3D. Il modello EGO si basa su un algoritmo per ottimizzare il processo, ma dipende anche dalla valutazione e dai parametri del ricercatore. Mentre l’algoritmo di Washburn seleziona responsabilmente i parametri ottimali per le variabili in diverse categorie, accelerando il processo.

“Essenzialmente quello che stiamo facendo è costruire un gemello digitale, o una replica digitale, sia del processo fisico che della nostra comprensione concettuale umana del processo per ottenere risultati ottimali”, ha affermato Washburn.

Secondo il documento, l’HML viene applicato alla stampa 3D dell’elastomero siliconico tramite FRE, il che era una sfida perché comporta il deposito di una fase liquida del prepolimero newtoniano all’interno di un bagno di supporto in plastica di Bingham. Descrive inoltre che il vantaggio dell’algoritmo HML è che può prevedere il comportamento di sistemi fisici complessi utilizzando set di dati sparsi attraverso l’integrazione della modellazione fisica in un quadro di apprendimento statistico. Dimostrando che l’algoritmo può essere utilizzato per ottimizzare contemporaneamente le variabili di materiale, formulazione ed elaborazione.

L’anno scorso, Washburn e Poczos hanno fondato la società Ansatz AI, per commercializzare l’algoritmo e attualmente stiamo lavorando con il loro primo cliente in applicazioni industriali, il che significa che dovremmo essere in grado di vedere alcuni risultati nel 2020. Washburn è co-fondatore e il membro della società che utilizza l’algoritmo HML sviluppato da Carnegie Mellon modella e ottimizza sistemi fisici complessi, che vanno dai cosmetici e ai prodotti per la cura personale alla pittura e al cemento, fino ai sistemi di produzione. Come affermato dalla società: “HML sfrutta la conoscenza del dominio di questi sistemi sotto forma di modelli fisici, ma utilizza potenti strumenti di apprendimento statistico per scoprire le connessioni nascoste tra le variabili”. Ansatz AI si concentrerà sulla collaborazione con produttori di prodotti chimici e materiali in molti settori.

Lavorare per risolvere alcuni dei problemi di base di AM e materiali non è una novità per Carnegie Mellon, la rinomata università (che si colloca al quarto posto tra le migliori scuole di ingegneria negli Stati Uniti) è stata anche recentemente nelle notizie quando un team di ricercatori ha pubblicato un documento dopo aver biografato i cuori costituiti da piccoli ventricoli cardiaci che utilizzano cardiomiociti umani, grazie a una versione avanzata della tecnologia Freeform Reversible Embedding of Suspended Hydrogels (FRESH), che consente loro di stampare in 3D collagene. I professori di ingegneria biomedica all’università hanno lavorato per migliorare la funzionalità dei materiali morbidi per alcuni anni e l’università stessa ha esperienze di stampa 3D coinvolgenti per studenti e professori in una varietà di aree, dimostrando efficacemente che faranno parte dei progressi di questa tecnologia dirompente.

Be the first to comment on "Carnegie Mellon: ottimizzazione della stampa 3D di materiali morbidi con l’apprendimento automatico"

Leave a comment