Nowatorskie podejście do optymalizacji miękkiego materiału Drukowanie 3D Szczegółowe w nowym dokumencie badawczym

Większość eksperymentalnych projektów lub modeli optymalizacji skupi się na kilku parametrach uznawanych za najważniejsze dla danego druku, ale może być trudno przystosować te modele do materiałów eksperymentalnych, ponieważ cechy druku 3D często nie są dobrze znane

"Gdy drukujesz termoplastyczne 3-D, jeśli masz tylko pięć lub 10 głównych parametrów drukowania i chcesz zbadać, powiedzmy, pięć poziomów każdego z nich, model czynnikowy może przynieść miliony możliwych kombinacji ustawień do drukowania. Kombinacje stają się jeszcze bardziej zniechęcające przy badaniu materiału doświadczalnego, którego charakterystyka druku jest nieznana "- powiedziała Sara Abdollahi, doktorantka inżynierii biomedycznej CMU. "Na przykład, jeśli materiał eksperymentalny ma 20 parametrów drukowania z pięcioma poziomami, eksperymentator może mieć tryliony kombinacji ustawień drukowania do zbadania."

Zespół badawczy, który składa się z Abdollahi, adiunkta inżyniera a polityka publiczna Alexander Davis, CMU Dietrich College of Humanities and Social Sciences Profesor John H. Miller i Adam Feinberg, profesor inżynierii biomedycznej i inżynierii materiałowej oraz inżynierii materiałowej, opublikowali artykuł na temat swojej pracy zatytułowany "Optymalizacyjna optymalizacja 3D drukowanie miękkich i płynnych materiałów "w PLOS One. W artykule przedstawiono nową metodę Expert-Guided Optimization (EGO), która została zaprojektowana w celu optymalizacji wydruków 3D o wysokiej jakości i miękkich materiałach.

Streszczenie brzmi: "W tym miejscu opracowaliśmy optymalizację pod kątem ekspertów (EGO) ) strategia zapewniająca strukturę w badaniu i ulepszaniu drukowania 3D ciekłej żywicy elastomeru polidimetylosiloksanowego (PDMS). EGO używa trzech kroków, zaczynając od sprawdzenia eksperta, aby wybrać przestrzeń parametru, czynniki i poziomy czynników. Drugi to algorytm wspinaczki górskiej w celu przeszukiwania przestrzeni parametrów zdefiniowanej przez eksperta dla najlepszego zestawu parametrów. Po trzecie, podejmowanie decyzji przez ekspertów w celu wypróbowania nowych czynników lub nowej przestrzeni parametrów w celu ulepszenia najlepszego obecnego rozwiązania. Zastosowaliśmy algorytm do dwóch obiektów kalibracji, wydrążonego walca i pięciostronnej pustej kostki, które zostały ocenione w oparciu o wieloczynnikowy system punktowania. Optymalne ustawienia drukowania zostały następnie wykorzystane do drukowania złożonych obiektów PDMS i epoksydowych obiektów 3D, w tym skręconego wazonu, kropli wody, palców u nogi i ucha, na poziomie szczegółowości i wierności poprzednio nie uzyskanych. "

Dla celów niniejszego dokumentu naukowcy zademonstrowali metodę EGO z użyciem ciekłego polidimetylosiloksanu(PDMS) żywica elastomerowa. PDMS jest również znany jako kauczuk silikonowy i jest często używany w urządzeniach medycznych i czujnikach do noszenia.

Innowacyjna metoda EGO zespołu może nawet wykraczać poza drukowanie miękkich materiałów 3D na wiele procesów inżynieryjnych i ma potencjał, aby być używany jako systematyczne narzędzie do odkrywania ważnych parametrów, które prowadzą do wysokiej jakości, powtarzalnych, nowych materiałów.

Davis wyjaśnił: "Celem EGO jest stworzenie skutecznego algorytmu wyszukiwania, który wyraźnie łączy zarówno wiedzę ekspercką, jak i tradycyjne algorytmy wyszukiwania. Zwykle uważamy, że uczenie maszynowe jest przydatne w przypadku dużych zbiorów danych, ale EGO działa w sytuacjach, gdy mamy niewiele danych lub nie mamy ich wcale, i musimy polegać na ocenie ekspertów, a następnie poprzez kombinację algorytmów wyszukiwania i wiedzy eksperta, skutecznie przechodząc z małych do dużych dane. "

Model EGO składa się z trzech etapów, poczynając od eksperta od wyboru początkowego zestawu parametrów, co daje algorytmowi granice wyszukiwania. Algorytm wspinaczki górskiej następnie wyszukuje w obrębie tych granic wszelkie pozytywne kombinacje wybranych parametrów, co spowoduje lokalne optimum.

Następnie ekspert oceni to optimum lokalne i zdecyduje, czy Zmień proces wyszukiwania, dodając dodatkowe parametry lub kontynuuj wyszukiwanie w obrębie pierwotnych granic. Ten trzyetapowy proces będzie powtarzany, dopóki algorytm nie znajdzie idealnego rozwiązania.