I ricercatori del College of Engineering della Carnegie Mellon University hanno sviluppato un nuovo approccio per ottimizzare la stampa 3D di materiali morbidi. Il metodo Expert-Guided Optimization (EGO) dei ricercatori combina il giudizio di esperti con un algoritmo di ottimizzazione che cerca in modo efficiente combinazioni di parametri rilevanti per la stampa 3D, consentendo la stampa di prodotti in materiale morbido ad alta fedeltà.

I ricercatori, tra cui l'autore principale Sara Abdollahi, un dottorato di ricerca studente in ingegneria biomedica; Adam Feinberg, professore associato di ingegneria biomedica e scienza e ingegneria dei materiali; Alex Davis, assistente professore di ingegneria e politiche pubbliche; e il Professor John Miller del Dietrich College of Humanities and Social Sciences, hanno progettato il metodo EGO per ottimizzare stampe 3D di alta qualità di materiali morbidi.

Nella loro carta, "Ottimizzazione guidata da esperti per la stampa 3D di materiali morbidi e liquidi, "che è stato recentemente pubblicato in PLOS One , i ricercatori dimostrano il metodo EGO utilizzando la resina elastomerica polidimetilsilossano (PDMS) liquida, un materiale spesso utilizzato nei sensori indossabili e nei dispositivi medici. I ricercatori hanno utilizzato un metodo di stampa chiamato inclusione reversibile a forma libera (FRE), in cui i materiali morbidi vengono depositati all'interno di un bagno di supporto gel.

Quando si tratta di stampare in 3D materiali morbidi, molti parametri possono influenzare il prodotto finale. Quanto velocemente si muove la testa della stampante 3D, la consistenza del bagno di gel in cui è stampato il prodotto, e le concentrazioni di ciascun materiale nella stampa sono solo alcune delle variabili che possono influenzare il prodotto finale. In ogni stampa, ci possono essere decine di parametri da tenere in considerazione, e molte altre possibili combinazioni di essi.

Un tipico modello di ottimizzazione o progetto sperimentale si concentrerà su alcuni parametri considerati più importanti per la stampa. Però, adattando questi modelli di ottimizzazione per materiali sperimentali, le cui caratteristiche di stampa 3D non sono ben note, può essere estremamente impegnativo.

"Quando si stampano materiali termoplastici in 3D, se hai solo cinque o 10 parametri di stampa principali e vuoi esplorare, dire, cinque livelli di ciascuno, un disegno fattoriale può portare a milioni di possibili combinazioni di impostazioni da stampare, " dice Abdollahi. "Le combinazioni diventano ancora più scoraggianti quando si esplora un materiale sperimentale le cui caratteristiche di stampa sono sconosciute. Per esempio, se il materiale sperimentale ha 20 parametri di stampa con cinque livelli, lo sperimentatore può avere trilioni di combinazioni di impostazioni di stampa da esplorare."

Però, 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 significativamente 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 esplicitamente sia la conoscenza degli esperti che gli algoritmi di ricerca tradizionali, " dice Davis. "In genere pensiamo che l'apprendimento automatico sia utile per i big data, ma EGO funziona in situazioni in cui abbiamo pochi o nessun dato e abbiamo bisogno di fare affidamento sul giudizio di esperti, quindi attraverso una combinazione di algoritmi di ricerca e la conoscenza dell'esperto, transizione efficace dai piccoli ai big data."

Il modello EGO è composto da tre fasi. Primo, un esperto umano seleziona il set iniziale di parametri, dando all'algoritmo i limiti per la ricerca. Quindi, un algoritmo di arrampicata in collina cerca all'interno di quei confini combinazioni promettenti di quei parametri, con conseguente "ottimo locale". Finalmente, l'esperto valuta l'ottimo locale e decide se modificare il processo di ricerca aggiungendo nuovi parametri, o continuare a cercare entro i confini esistenti. Il processo itera fino a trovare una soluzione ideale.

Il metodo EGO, che può estendersi oltre la stampa 3D di materiali morbidi per una varietà di processi di ingegneria, ha un grande potenziale come strumento sistematico per scoprire i parametri chiave che rendono riproducibile, alta qualità, nuovi materiali.