Nel mese di gennaio, il Computer Science and Artificial Intelligence Laboratory (CSAIL) del Massachusetts Institute of Technology (MIT) ha condotto uno studio pubblicato su Science Advances, dettagliando un algoritmo sviluppato per automatizzare la qualificazione dei materiali delle parti stampate in 3D. L’obiettivo era creare un processo automatizzato per scoprire l’equilibrio ottimale tra rigidità e tenacità nei materiali stampati in 3D.
La rigidità, la capacità di resistere alla deformazione sotto sforzo, e la tenacità, la capacità di resistere alle crepe, sono proprietà essenziali nei materiali tecnici. Purtroppo, queste due proprietà spesso si escludono a vicenda poiché un materiale duttile abbastanza da essere tenace tende a essere meno rigido e viceversa. Il team del MIT ha sviluppato un algoritmo chiamato “Neural-Network Accelerated Multi-Objective Optimization” (NMO) per affrontare questa sfida.
Utilizzando una stampante 3D multi-materiale Stratasys Object 260 Connex, i ricercatori hanno creato oggetti di prova da due diversi materiali acrilici, combinando le materie prime in compositi con vari rapporti dei materiali di base. Successivamente, hanno sottoposto questi materiali a test di trazione utilizzando una macchina di prova universale Instron 5984. I risultati dei test sono stati utilizzati per alimentare una simulazione basata sul metodo degli elementi finiti (FEM).
Nelle prime fasi, il predittore creato dall’algoritmo era impreciso a causa dei dati di addestramento limitati, ma man mano che l’algoritmo ha accumulato più dati, è diventato più preciso. Ciò ha dimostrato l’efficacia dell’apprendimento automatico nel processo. Il team ritiene che questo approccio possa essere applicato in diversi campi, dalla chimica dei polimeri alla robotica.
Uno dei ricercatori principali, Beichen Li, ha dichiarato che questo metodo può essere adattato per migliorare la progettazione di materiali in vari settori. Un aspetto interessante dello studio è che dimostra come l’intelligenza artificiale possa consentire a persone non esperte di caratterizzare e qualificare i materiali in modo rapido ed efficiente. Questo approccio potrebbe avere un impatto significativo nell’industria della stampa 3D e oltre, facilitando la progettazione e la fabbricazione di materiali con prestazioni ottimali.
