I ricercatori del College of Engineering della Carnegie Mellon University hanno sviluppato un nuovo approccio per ottimizzare la stampa 3D dei materiali morbidi. Il metodo EGO (Expert-Guided Optimization) dei ricercatori utilizza un algoritmo di ottimizzazione che ricerca in modo efficiente combinazioni di parametri rilevanti per la stampa 3D, consentendo la stampa di prodotti in materiale morbido ad alta fedeltà.
Quando si tratta di stampare materiali morbidi in 3D, molti parametri possono influenzare il prodotto finale. La velocità della testa della stampante 3D, la consistenza del bagno di gel in cui viene stampato il prodotto e le concentrazioni di ciascun materiale nella stampa sono solo alcune delle variabili che possono influire sul prodotto finale. In ogni stampa, ci possono essere decine di parametri da tenere in considerazione e molte più combinazioni possibili di essi.
Un tipico modello di ottimizzazione o progettazione sperimentale si concentrerà su alcuni parametri che sono considerati più importanti per la stampa. Tuttavia, l’adattamento di questi modelli di ottimizzazione per materiali sperimentali, le cui caratteristiche di stampa 3D non sono ben note, può essere estremamente difficile.
“Quando si stampano materiali termoplastici 3D, se si hanno solo cinque o 10 parametri di stampa principali e si desidera esplorare, ad esempio, cinque livelli di ciascuno, un disegno fattoriale può generare milioni di combinazioni possibili di impostazioni da stampare”, afferma Sara Abdollahi, un Ph .D. studente in ingegneria biomedica. “Le combinazioni diventano ancora più scoraggianti quando si esplora un materiale sperimentale le cui caratteristiche di stampa sono sconosciute.Ad esempio, se il materiale sperimentale ha 20 parametri di stampa con cinque livelli, lo sperimentatore può avere migliaia di miliardi di combinazioni di impostazioni di stampa da esplorare.”
Tuttavia, con il modello EGO, questa sfida può essere resa meno di un ostacolo perché gli esperti sono in grado di escludere molte combinazioni come inefficaci. Combinando il giudizio scientifico di un esperto con algoritmi di ricerca efficienti, EGO riduce in modo significativo il tempo e l’energia necessari per trovare combinazioni che producano stampe 3D ottimali per materiali sperimentali.
“Lo scopo di EGO è creare un algoritmo di ricerca efficace che combini in modo esplicito sia le conoscenze specialistiche che gli algoritmi di ricerca tradizionali”, afferma Alex Davis, assistente professore di ingegneria e politica pubblica. “In genere pensiamo che l’apprendimento automatico sia utile per i big data, ma EGO funziona in situazioni in cui abbiamo poco o nessun dato e dobbiamo fare affidamento sul giudizio di esperti, quindi attraverso una combinazione di algoritmi di ricerca e conoscenza dell’esperto, transizione efficace da piccolo a grandi dati. ”
Il modello EGO comprende tre passaggi. In primo luogo, un esperto umano seleziona l’insieme iniziale di parametri, assegnando all’algoritmo i confini per la ricerca. Quindi, un algoritmo di arrampicata su collina cerca all’interno di quei limiti le combinazioni promettenti di quei parametri, risultando in un “optimum locale”. Infine, l’esperto valuta l’optimum locale e decide se modificare il processo di ricerca aggiungendo nuovi parametri o continuare a cercare all’interno dei confini esistenti. Il processo itera finché non viene trovata una soluzione ideale.
Il metodo EGO, che può estendersi oltre la stampa 3D di materiali morbidi per una varietà di processi ingegneristici, ha un grande potenziale come strumento sistematico per scoprire i parametri chiave che producono materiali nuovi e riproducibili di alta qualità.
Il gruppo di ricerca comprende l’autrice principale Sara Abdollahi, Alex Davis, Adam Feinberg, professore associato di ingegneria biomedica e scienza dei materiali e ingegneria e il professor John Miller, professore di facoltà di scienze umane e scienze sociali di Dietrich. Il loro articolo, “Ottimizzazione guidata da esperti per la stampa 3D di materiali morbidi e liquidi”, è stato recentemente pubblicato su PLOS One .