Un team di ricercatori della Queensland University of Technology (QUT) sta sfruttando l’apprendimento automatico per perfezionare la tecnologia di elettroscrittura a fusione (MEW). Questa innovazione potrebbe portare alla produzione di impianti personalizzati e ampliare le applicazioni nel campo della medicina rigenerativa.
Cos’è l’elettroscrittura a fusione (MEW)?
L’elettroscrittura a fusione è una tecnica di produzione additiva che utilizza un campo elettrico per posizionare con estrema precisione fibre microscopiche di polimero fuso. Questa metodologia trova applicazione soprattutto in biomedicina, dove è utilizzata per creare scaffold in grado di supportare la rigenerazione di tessuti, come ossa, cartilagine e pelle. Tuttavia, la sua complessità richiede un controllo rigoroso dei parametri di processo per garantire precisione e qualità.
Come l’apprendimento automatico migliora il processo
I ricercatori del QUT, collaborando con esperti di ingegneria e scienze della vita, hanno integrato algoritmi di apprendimento automatico per ottimizzare i parametri chiave del processo MEW, tra cui:
Tensione applicata: fondamentale per controllare il flusso del polimero.
Portata del materiale: determina lo spessore delle fibre prodotte.
Velocità di scrittura: influenza la precisione delle strutture.
Grazie a questo approccio, è stato possibile migliorare sia la ripetibilità che la qualità dei risultati, rendendo il processo più stabile ed efficiente.
Lo studio, intitolato “Towards industrial-ready manufacturing: AI-enabled closed-loop control for 3D melt electrowriting”, descrive come il controllo in tempo reale reso possibile dall’intelligenza artificiale permetta di ottimizzare le strutture prodotte per applicazioni biomediche avanzate.
Verso impianti personalizzati e produzione automatizzata
Un obiettivo chiave di questa ricerca è l’automazione e la standardizzazione del processo MEW, aprendo la strada a una produzione scalabile e accessibile per la pratica clinica e industriale. Gli scaffold creati con il sistema MEW ottimizzato potrebbero essere personalizzati per adattarsi alle esigenze specifiche di ogni paziente, migliorando i trattamenti in settori come la rigenerazione ossea e dei tessuti molli.
Gli scienziati del QUT hanno inoltre sviluppato un modello che analizza e regola le relazioni tra i parametri del processo e i risultati ottenuti. Questo approccio consente non solo di aumentare l’efficienza della produzione, ma anche di ridurre gli sprechi di materiale.
Prospettive future per l’elettroscrittura a fusione
L’integrazione tra apprendimento automatico e MEW rappresenta un passo significativo per rendere questa tecnologia più versatile e industrialmente applicabile. Il team prevede di ampliare ulteriormente le proprie ricerche, con l’obiettivo di sviluppare processi ancora più sofisticati e di facilitare l’adozione di questa tecnica nei contesti clinici.
Questi progressi potrebbero trasformare il modo in cui vengono progettati e realizzati impianti e scaffold biomedici, offrendo nuove possibilità sia nella medicina rigenerativa che nella produzione additiva.