• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Combinando expertos y automatización en impresión 3D

    Imágenes de las impresiones 3D de PDMS realizadas con la cortadora CAD S3D para determinar la trayectoria. Crédito:Sara Abdollahi, Alexander Davis, John H. Miller, Adam W. Feinberg

    Investigadores de la Facultad de Ingeniería de la Universidad Carnegie Mellon han desarrollado un enfoque novedoso para optimizar la impresión 3D de materiales blandos. El método de optimización guiada por expertos (EGO) de los investigadores combina el juicio de expertos con un algoritmo de optimización que busca de manera eficiente combinaciones de parámetros relevantes para la impresión 3-D, permitiendo la impresión de productos de materiales blandos de alta fidelidad.

    Los investigadores, que incluyen a la autora principal Sara Abdollahi, un doctorado estudiante de ingeniería biomédica; Adam Feinberg, profesor asociado de ingeniería biomédica y ciencia e ingeniería de materiales; Alex Davis, profesor asistente de ingeniería y políticas públicas; y el profesor John Miller de la Facultad de Humanidades y Ciencias Sociales de Dietrich, diseñaron el método EGO para optimizar las impresiones en 3D de alta calidad de materiales blandos.

    En su papel "Optimización guiada por expertos para la impresión 3D de materiales blandos y líquidos, "que se publicó recientemente en Más uno , los investigadores demuestran el método EGO utilizando resina elastomérica de polidimetilsiloxano (PDMS) líquida, un material que se utiliza a menudo en sensores portátiles y dispositivos médicos. Los investigadores utilizaron un método de impresión llamado incrustación reversible de forma libre (FRE), en el que los materiales blandos se depositan dentro de un baño de soporte de gel.

    Cuando se trata de materiales blandos de impresión 3D, muchos parámetros pueden afectar el producto final. Qué tan rápido se mueve el cabezal de la impresora 3-D, la consistencia del baño de gel en el que se imprime el producto, y las concentraciones de cada material en la impresión son solo algunas de las variables que pueden afectar el producto final. En cada impresión, puede haber decenas de parámetros a tener en cuenta, y muchas más combinaciones posibles de ellos.

    Un modelo de optimización típico o un diseño experimental se centrará en algunos parámetros que se consideran más importantes para la impresión. Sin embargo, adaptar estos modelos de optimización para materiales experimentales, cuyas características de impresión 3D no se conocen bien, puede ser extremadamente desafiante.

    "Cuando se imprimen termoplásticos en 3D, si solo tiene cinco o 10 parámetros de impresión principales y desea explorar, decir, cinco niveles de cada uno, un diseño factorial puede resultar en millones de posibles combinaciones de configuraciones para imprimir, ", dice Abdollahi." Las combinaciones se vuelven aún más desalentadoras cuando se explora un material experimental cuyas características de impresión se desconocen. Por ejemplo, si el material experimental tiene 20 parámetros de impresión con cinco niveles, el experimentador puede tener billones de combinaciones de configuraciones de impresión para explorar ".

    Sin embargo, con el modelo EGO, este desafío puede ser un obstáculo menor porque los expertos pueden descartar muchas combinaciones como ineficaces. Al combinar el juicio científico de un experto con algoritmos de búsqueda eficientes, EGO reduce significativamente el tiempo y la energía necesarios para encontrar combinaciones que produzcan impresiones óptimas en 3D para materiales experimentales.

    "El propósito de EGO es crear un algoritmo de búsqueda eficaz que combine explícitamente tanto el conocimiento experto como los algoritmos de búsqueda tradicionales, ", dice Davis." Por lo general, pensamos que el aprendizaje automático es útil para big data, pero EGO funciona en situaciones en las que tenemos pocos o ningún dato y necesitamos confiar en el juicio de expertos, luego, a través de una combinación de algoritmos de búsqueda y el conocimiento del experto, transición eficaz de datos pequeños a grandes ".

    El modelo EGO consta de tres pasos. Primero, un experto humano selecciona el conjunto inicial de parámetros, dando al algoritmo los límites para la búsqueda. Luego, un algoritmo de escalada busca dentro de esos límites combinaciones prometedoras de esos parámetros, resultando en un "óptimo local". Finalmente, el experto evalúa el óptimo local y decide si modifica el proceso de búsqueda agregando nuevos parámetros, o continuar buscando dentro de los límites existentes. El proceso se repite hasta que se encuentra una solución ideal.

    El método EGO, que puede extenderse más allá de la impresión 3D de materiales blandos para una variedad de procesos de ingeniería, tiene un gran potencial como herramienta sistemática para descubrir los parámetros clave que producen reproducibles, alta calidad, materiales novedosos.


    © Ciencia https://es.scienceaq.com