Onderzoekers van Carnegie Mellon University's College of Engineering hebben een nieuwe benadering ontwikkeld voor het optimaliseren van 3D-printen van zacht materiaal. De Expert-Guided Optimization (EGO)-methode van de onderzoekers combineert deskundig oordeel met een optimalisatie-algoritme dat efficiënt zoekt naar combinaties van parameters die relevant zijn voor 3D-printen, waardoor high-fidelity producten van zacht materiaal kunnen worden bedrukt.

De onderzoekers, waaronder hoofdauteur Sara Abdollahi, een doctoraat student biomedische technologie; Adam Feinberg, universitair hoofddocent biomedische technologie en materiaalwetenschappen en techniek; Alex Davis, assistent-professor techniek en openbaar beleid; en Dietrich College of Humanities and Social Sciences Professor John Miller - ontwierp de EGO-methode om hoogwaardige 3D-prints van zachte materialen te optimaliseren.

In hun krant "Deskundig geleide optimalisatie voor 3D-printen van zachte en vloeibare materialen, " die onlangs werd gepubliceerd in PLOS One , de onderzoekers demonstreren de EGO-methode met behulp van vloeibare polydimethylsiloxaan (PDMS) elastomeerhars, een materiaal dat vaak wordt gebruikt in draagbare sensoren en medische apparaten. De onderzoekers gebruikten een afdrukmethode genaamd freeform reversible embedding (FRE), waarin zachte materialen worden afgezet in een gelondersteuningsbad.

Als het gaat om het 3D printen van zachte materialen, veel parameters kunnen het eindproduct beïnvloeden. Hoe snel de kop van de 3D-printer beweegt, de consistentie van het gelbad waarin het product wordt bedrukt, en de concentraties van elk materiaal in de print zijn slechts enkele van de variabelen die het eindproduct kunnen beïnvloeden. In elke afdruk, er kunnen tientallen parameters zijn om rekening mee te houden, en nog veel meer mogelijke combinaties daarvan.

Een typisch optimalisatiemodel of experimenteel ontwerp zal zich richten op een paar parameters die het belangrijkst worden geacht voor de afdruk. Echter, het aanpassen van deze optimalisatiemodellen voor experimentele materialen, waarvan de 3D-printeigenschappen niet goed bekend zijn, kan enorm uitdagend zijn.

"Bij het 3D printen van thermoplasten, als u slechts vijf of tien hoofdafdrukparameters heeft en wilt verkennen, zeggen, vijf niveaus van elk, een factorieel ontwerp kan resulteren in miljoenen mogelijke combinaties van instellingen om af te drukken, ", zegt Abdollahi. "De combinaties worden zelfs nog ontmoedigender bij het verkennen van een experimenteel materiaal waarvan de afdrukkenmerken onbekend zijn. Bijvoorbeeld, als het experimentele materiaal 20 printparameters heeft met vijf niveaus, de onderzoeker kan triljoenen combinaties van afdrukinstellingen hebben om te verkennen."

Echter, met het EGO-model, deze uitdaging kan minder een belemmering worden gemaakt omdat experts veel combinaties kunnen uitsluiten als niet effectief. Door het wetenschappelijke oordeel van een expert te combineren met efficiënte zoekalgoritmen, EGO vermindert aanzienlijk de tijd en energie die nodig is om combinaties te vinden die optimale 3D-afdrukken opleveren voor experimentele materialen.

"Het doel van EGO is om een ​​effectief zoekalgoritme te creëren dat expliciet zowel expertkennis als traditionele zoekalgoritmen combineert, "zegt Davis. "Normaal denken we dat machine learning nuttig is voor big data, maar EGO werkt in situaties waarin we weinig of geen gegevens hebben en moeten vertrouwen op deskundig oordeel, vervolgens door een combinatie van zoekalgoritmen en de kennis van de expert, effectief overstappen van small naar big data."

Het EGO-model bestaat uit drie stappen. Eerst, een menselijke expert selecteert de initiële set parameters, het algoritme de grenzen voor zoeken geven. Vervolgens, een heuvelklimalgoritme zoekt binnen die grenzen naar veelbelovende combinaties van die parameters, resulterend in een "lokaal optimum". Eindelijk, de expert evalueert het lokale optimum en beslist of het zoekproces moet worden gewijzigd door nieuwe parameters toe te voegen, of verder zoeken binnen de bestaande grenzen. Het proces herhaalt zich totdat een ideale oplossing is gevonden.

De EGO-methode, die verder kan gaan dan het 3D-printen van zachte materialen voor een verscheidenheid aan technische processen, heeft een groot potentieel als een systematisch hulpmiddel om de belangrijkste parameters te ontdekken die reproduceerbare, hoge kwaliteit, nieuwe materialen.