Un modello AI per prevedere le proprietà delle resine PolyJet miscelate
Un gruppo di ricercatori ha sviluppato un modello di intelligenza artificiale in grado di prevedere le proprietà meccaniche di resine miscelate stampate con tecnologia PolyJet, riducendo la necessità di trial-and-error su campioni fisici. L’approccio nasce per affrontare la complessità dei “materiali digitali” ottenuti mescolando più fotopolimeri a livello di voxel.
Chi sta dietro allo studio e quando è stato pubblicato
Il lavoro è firmato da Cornell University (Sibley School of Mechanical and Aerospace Engineering), Technion – Israel Institute of Technology e Sandia National Laboratories, ed è disponibile come preprint su arXiv (luglio 2025).
Materiali testati: Agilus e Digital ABS (FLX/DM)
I ricercatori hanno caratterizzato cinque formulazioni basate su Agilus (gomma-like) e Digital ABS (RGD-515/RGD-531), identificando le composizioni come A, DM-40, DM-50, DM-60 e DM-70. Nel paper è riportata anche la frazione di Digital ABS: A (24,8%), DM-40 (25,2%), DM-50 (25,9%), DM-60 (27,2%), DM-70 (29,7%). Queste miscele corrispondono ai “materiali digitali” di Stratasys usati per modulare la durezza Shore A.
Setup sperimentale e dataset
I provini (dog-bone per trazione e cilindri per torsione) sono stati stampati su una Stratasys Objet260 Connex3; le prove sono state eseguite su macchina Instron 5943 con tre velocità di carico/rotazione, ripetendo i test per ciascuna composizione per catturare non linearità e dipendenza dal rateo (viscoelasticità).
L’architettura del modello: PANN (pICNN + QLV)
Il cuore dell’approccio è una Physics-Augmented Neural Network (PANN) che combina: (i) una partially input Convex Neural Network (pICNN) per apprendere l’energia di deformazione iperelastica in funzione degli invarianti di sforzo e della composizione; (ii) un modello viscoelastico quasi-lineare (QLV) in cui un MLP stima i parametri di rilassamento a partire dalla composizione. Viene applicata L0-sparsification per ridurre drasticamente i parametri e migliorare interpretabilità e robustezza.
Prestazioni e limiti osservati
Il modello ha fornito previsioni accurate in trazione e torsione lungo l’intero intervallo di composizioni, con leggere derive d’errore all’aumentare della rigidità (composizioni più ricche di Digital ABS). Si tratta di un risultato coerente con l’obiettivo di generalizzare “per composizione” usando un unico modello anziché fit separati per ogni miscela
Perché è rilevante per la progettazione con PolyJet
Le stampanti PolyJet di fascia alta possono combinare fino a sette inchiostri in un singolo job e variare materiale/colore a livello di voxel, ma scegliere la miscela giusta per una proprietà target richiede tipicamente iterazioni fisiche. Un predittore “consapevole della fisica” riduce prove, tempi e materiali, abilitando gradienti controllati di durezza e comportamento nel pezzo.
Implicazioni industriali e integrazione software
Integrare un modello di questo tipo in tool di preparazione come GrabCAD Print Pro per PolyJet (o flussi equivalenti) consentirebbe di impostare vincoli prestazionali e lasciare al software la scelta delle percentuali di miscelazione, con tracciabilità dei risultati a datasheet di Agilus e Digital ABS.
Cosa manca per il passo successivo
L’addestramento è stato condotto su cinque miscele e due modalità di carico; estendere il dataset ad altre famiglie (es. combinazioni con Vero, Digital ABS2, biocompatibili J5/J35) e a stati multiassiali complessi migliorerebbe l’affidabilità fuori distribuzione e la trasferibilità tra piattaforme PolyJet.
