Forskare vid Carnegie Mellon University's College of Engineering har utvecklat en ny metod för att optimera 3D-tryckning av mjukt material. Forskarnas expertstyrda optimeringsmetod (EGO) kombinerar expertbedömning med en optimeringsalgoritm som effektivt söker efter kombinationer av parametrar som är relevanta för 3D-utskrift, gör det möjligt att trycka högfientliga mjuka materialprodukter.

Forskarna – som inkluderar huvudförfattaren Sara Abdollahi, en Ph.D. student i biomedicinsk teknik; Adam Feinberg, docent i biomedicinsk teknik och materialvetenskap och teknik; Alex Davis, biträdande professor i teknik och offentlig politik; och Dietrich College of Humanities and Social Sciences Professor John Miller – designade EGO-metoden för att optimera högkvalitativa 3D-utskrifter av mjuka material.

I deras papper, "Expertledd optimering för 3D-utskrift av mjuka och flytande material, " som nyligen publicerades i PLOS One , forskarna demonstrerar EGO-metoden med flytande polydimetylsiloxan (PDMS) elastomerharts, ett material som ofta används i bärbara sensorer och medicintekniska produkter. Forskarna använde en tryckmetod som kallas freeform reversible inbäddning (FRE), i vilket mjuka material avsätts i ett gelstödbad.

När det gäller 3D-utskrift av mjuka material, många parametrar kan påverka slutprodukten. Hur snabbt 3D-skrivarens huvud rör sig, konsistensen i det gelbad där produkten trycks, och koncentrationerna av varje material i trycket är bara några av de variabler som kan påverka slutprodukten. I varje tryck, det kan finnas dussintals parametrar att ta hänsyn till, och många fler möjliga kombinationer av dem.

En typisk optimeringsmodell eller experimentell design kommer att fokusera på några få parametrar som anses vara viktigast för trycket. Dock, anpassa dessa optimeringsmodeller för experimentella material, vars 3D-utskriftsegenskaper inte är välkända, kan vara extremt utmanande.

"När 3-D-utskrift av termoplast, om du bara har fem eller tio huvudutskriftsparametrar och vill utforska, säga, fem nivåer av varje, en faktoriell design kan resultera i miljontals möjliga kombinationer av inställningar att skriva ut, "säger Abdollahi." Kombinationerna blir ännu mer skrämmande när man utforskar ett experimentellt material vars tryckegenskaper är okända. Till exempel, om experimentmaterialet har 20 utskriftsparametrar med fem nivåer, experimenteraren kan ha biljoner kombinationer av utskriftsinställningar att utforska."

Dock, med EGO-modellen, denna utmaning kan göras mindre av ett hinder eftersom experter kan utesluta många kombinationer som ineffektiva. Genom att kombinera en expert vetenskaplig bedömning med effektiva sökalgoritmer, EGO minskar avsevärt tiden och energin som krävs för att hitta kombinationer som ger optimala 3D-utskrifter för experimentella material.

"Syftet med EGO är att skapa en effektiv sökalgoritm som uttryckligen kombinerar både expertkunskap och traditionella sökalgoritmer, " säger Davis. "Vanligtvis tänker vi på att maskininlärning är användbart för big data, men EGO fungerar i situationer när vi har få eller inga data och behöver förlita oss på expertbedömning, sedan genom en kombination av sökalgoritmer och expertens kunskap, effektivt övergå från små till stora data. "

EGO -modellen består av tre steg. Först, en mänsklig expert väljer den första uppsättningen parametrar, ger algoritmen gränserna för sökning. Sedan, en bergsklättringsalgoritm söker inom dessa gränser efter lovande kombinationer av dessa parametrar, vilket resulterar i ett "lokalt optimum". Till sist, experten utvärderar det lokala optimum och bestämmer om sökprocessen ska ändras genom att lägga till nya parametrar, eller fortsätt att söka inom de befintliga gränserna. Processen upprepas tills en idealisk lösning hittas.

EGO-metoden, som kan sträcka sig utöver 3D-tryckning av mjuka material för en mängd olika teknikprocesser, har stor potential som ett systematiskt verktyg för att upptäcka nyckelparametrarna som ger reproducerbara, hög kvalitet, nya material.