Il nuovo algoritmo AI consente una stampa 3D a colori veloce e ad alta risoluzione
I ricercatori del Computer Graphics Group (CGG) della Charles University hanno sviluppato una tecnica basata sull’apprendimento automatico (ML) che potrebbe aiutare ad aumentare il potenziale della stampa 3D a colori reali.
Simulando continuamente il processo di stampa, il team è riuscito a formare un algoritmo che determina i parametri ottimali per limitare l’effetto bleeding del colore e consente una produzione più precisa. Allo stesso tempo, il software è estremamente efficiente. Richiede solo un processore grafico, il che lo rende fino a 300 volte più veloce di approcci AI simili. I tempi di preparazione della stampa possono così essere ridotti da alcune ore a pochi minuti.
Attualmente, le stampanti 3D MJ (Material Jetting) sono in grado di stampare in diversi colori. Pertanto, sono ampiamente utilizzati per ricreare manufatti e modelli chirurgici altamente dettagliati. Per ottenere ciò, i sistemi MJ convenzionali utilizzano la luce UV per polimerizzare con precisione varie miscele di resine traslucide di colore di base.
Tuttavia, nonostante la flessibilità della stampa a colori 3D, possono verificarsi dispersioni ottiche indesiderate che influiscono sulla nitidezza e sulla precisione delle parti risultanti. Poiché tale effetto bleeding è tridimensionale, colpisce anche i colori sui lati opposti negli oggetti con pareti sottili, il che costituisce un ostacolo significativo alla produzione precisa.
È stato dimostrato diversi anni fa che le simulazioni possono essere utilizzate per ottimizzare il posizionamento dei materiali durante la stampa per garantire la nitidezza e il contrasto ottimali di una parte. Ma ora, sulla base di milioni di esecuzioni di test, il team scientifico ha sviluppato un algoritmo migliorato in grado di prevedere in modo più accurato come una certa superficie sarà influenzata dai materiali che la circondano, accelerando l’intero processo.
Apprendimento automatico per la stampa 3D
Convenzionalmente, per simulare la direzione di propagazione della luce UV viene utilizzato il cosiddetto modello “Monte Carlo” (MC). Questi approcci richiedono principalmente sistemi di fascia alta per il calcolo e richiedono diverse ore. Per questo motivo, la simulazione è anche un collo di bottiglia quando si ridimensiona la produzione in quest’area.
Per superare questo problema, i ricercatori hanno adottato un approccio basato sui dati. Hanno usato una rete neurale profonda per simulare la produzione di un numero ridotto di modelli. Sebbene il ciclo di perfezionamento del team abbia portato a previsioni di qualità inferiore, sono state necessarie solo 30 ore per modellare un oggetto di riferimento, molto meno delle oltre 3.000 ore utilizzate dal software basato su MC.
Un altro vantaggio del nuovo approccio è che il team ha dovuto utilizzare solo una singola workstation GPU. Allo stesso tempo, la soluzione era due volte più veloce di prima, che in precedenza era necessaria per le attività di machine learning.
Maggiori informazioni sulla ricerca possono essere trovate nel documento ” A Gradient-Based Framework for 3D Print Appearance Optimization “. L’opera è stata scritta da Thomas Nindel, Tomáš Iser, Tobias Rittig, Alexander Wilkie e Jaroslav Křivánek.
