Additiv tillverkning (AM), även känd som tredimensionell utskrift, är en process som tillverkar delar på ett lager-för-lager sätt genom att lägga till och bearbeta material. Framsteg inom AM-teknik har möjliggjort bearbetning av ett brett utbud av material för att skapa produkter i varierande skalor som sträcker sig från medicinska implantat till flygmotordelar. Dessa produkter, som kan vara rik på formen, material, hierarkiska och funktionella komplexiteter, erbjuder hög potential att revolutionera befintliga produktutvecklingsprocesser.

Dock, det kan vara en svår process att fullt ut realisera potentialen i AM:s unika kapacitet för produktutveckling eftersom det kräver att produktdesigner ändrar sina designtänk.

I konventionella tillverkningsprocesser, huvuduppgiften för designers är att skräddarsy sin design för att eliminera tillverkningssvårigheter och minimera kostnaderna. Tvärtom, AM har färre tillverkningsbegränsningar samtidigt som det erbjuder designers mycket mer designfrihet att utforska. Därför, designers måste söka efter optimala designlösningar av miljontals designalternativ som skiljer sig i geometri, topologi, strukturera, och material. Detta kan vara en tråkig uppgift med nuvarande designmetoder och datorstödda designverktyg (CAD) på grund av bristen på förmåga att snabbt utforska och utnyttja ett så högdimensionellt designutrymme.

För att lösa detta problem, forskare från Digital Manufacturing and Design (DManD) Center från Singapore University of Technology and Design (SUTD) föreslog ett holistiskt tillvägagångssätt som tillämpar datadrivna metoder i designsökning och optimering i successiva skeden av en designprocess för AM-produkter.

Först, de använde enkla och beräkningsmässigt billiga surrogatmodeller i designutforskningsprocessen för att approximera och ersätta komplexa high-fidelity ingenjörsanalysmodeller för att snabbt begränsa det högdimensionella designutrymmet. Nästa, de genomförde designoptimering baserad på raffinerade surrogatmodeller för att få en enda optimal design. Dessa surrogatmodeller tränas baserat på en uppdaterad datauppsättning med Markov Chain Monte Carlo-omsamplingsmetoden.

Denna designstrategi demonstrerades i utformningen av ett AM-tillverkat fotledsstöd (se bild) som har en inställbar mekanisk prestanda för att underlätta återhämtningen av lederna. I denna design, forskarna valde ett metamaterial som har en hästskoliknande struktur, där dess styvhet kan skräddarsys. Den föreslagna designmetoden användes för att optimera orienteringen och dimensionerna av den hästskoliknande strukturens geometri i olika områden för att uppnå önskad styvhetsfördelning.

Sådana geometrikomplexiteter som möjliggörs av AM erbjuder fotledsstödets design unika och gynnsamma beteenden. Fotledsstödet är mycket mjukt inom det tillåtna rörelseområdet vilket ger komfort till patienterna. Dock, när rörelsen är utanför det tillåtna området, den blir tillräckligt styv för att skydda användarnas leder från extrema belastningsförhållanden tack vare sin geometriska design.

"Tidigare, det var svårt för designers att föreställa sig en design med så komplex geometri på grund av begränsningarna i konventionell tillverkning, men nu är denna design lätt att uppnå med AM. Vårt nya tillvägagångssätt tillåter designers att omfamna designfriheten i AM som kommer med förändringen i designparadigm och skapa mer optimala produkter som liknar fotledsstödet, " sa första författaren Dr. Yi Xiong, Forskningsstipendiat från SUTD.

Med kapaciteten för utforskning och exploatering av designutrymmen utvecklad, forskargruppen arbetar mot ett mer ambitiöst mål – att utveckla nästa generations CAD-system för AM.

"Detta CAD-AM-system kommer att göra det möjligt för designers att designa komplexa geometriska och materialstrukturer som uppvisar beteenden som inte är tillgängliga med konventionella design- och tillverkningsverktyg. Designers kan snabbt undersöka designalternativ 10 gånger mer jämfört med vad de nuvarande metoderna tillåter, " sa SUTD professor David Rosen, ledare för forskargruppen och meddirektör för DManD Centre.