Des chercheurs du Collège d'ingénierie de l'Université Carnegie Mellon ont développé une nouvelle approche pour optimiser l'impression 3D de matériaux souples. La méthode d'optimisation guidée par les experts (EGO) des chercheurs combine le jugement d'experts avec un algorithme d'optimisation qui recherche efficacement des combinaisons de paramètres pertinents pour l'impression 3D, permettant d'imprimer des produits en matériaux souples haute fidélité.

Les chercheurs, dont l'auteur principal Sara Abdollahi, un doctorat étudiant en génie biomédical; Adam Feinberg, professeur agrégé de génie biomédical et de science et ingénierie des matériaux; Alex Davis, professeur adjoint d'ingénierie et de politiques publiques; et le professeur John Miller du Dietrich College of Humanities and Social Sciences, ont conçu la méthode EGO pour optimiser les impressions 3D de haute qualité de matériaux souples.

Dans leur papier, "Optimisation guidée par un expert pour l'impression 3D de matériaux mous et liquides, " qui a été récemment publié dans PLOS Un , les chercheurs démontrent la méthode EGO en utilisant une résine élastomère liquide de polydiméthylsiloxane (PDMS), un matériau souvent utilisé dans les capteurs portables et les dispositifs médicaux. Les chercheurs ont utilisé une méthode d'impression appelée Freeform Reversible Embedding (FRE), dans lequel des matériaux mous sont déposés dans un bain de support de gel.

En ce qui concerne l'impression 3D de matériaux souples, de nombreux paramètres peuvent affecter le produit final. À quelle vitesse la tête de l'imprimante 3D se déplace, la consistance du bain de gel dans lequel le produit est imprimé, et les concentrations de chaque matériau dans l'impression ne sont que quelques-unes des variables qui peuvent affecter le produit final. Dans chaque impression, il peut y avoir des dizaines de paramètres à prendre en compte, et bien d'autres combinaisons possibles.

Un modèle d'optimisation typique ou une conception expérimentale se concentrera sur quelques paramètres considérés comme les plus importants pour l'impression. Cependant, adapter ces modèles d'optimisation aux matériaux expérimentaux, dont les caractéristiques d'impression 3D ne sont pas bien connues, peut être extrêmement difficile.

"Lorsque vous imprimez en 3D des thermoplastiques, si vous n'avez que cinq ou 10 paramètres d'impression principaux et que vous souhaitez explorer, dire, cinq niveaux de chacun, un plan factoriel peut donner lieu à des millions de combinaisons possibles de paramètres à imprimer, " dit Abdollahi. " Les combinaisons deviennent encore plus intimidantes lorsqu'on explore un matériau expérimental dont les caractéristiques d'impression sont inconnues. Par exemple, si le matériel expérimental a 20 paramètres d'impression avec cinq niveaux, l'expérimentateur peut avoir des milliers de milliards de combinaisons de paramètres d'impression à explorer."

Cependant, avec le modèle EGO, ce défi peut être rendu moins difficile car les experts sont en mesure d'exclure de nombreuses combinaisons comme étant inefficaces. En combinant le jugement scientifique d'un expert avec des algorithmes de recherche efficaces, EGO réduit considérablement le temps et l'énergie nécessaires pour trouver des combinaisons qui produisent des impressions 3D optimales pour les matériaux expérimentaux.

"Le but d'EGO est de créer un algorithme de recherche efficace qui combine explicitement à la fois les connaissances d'experts et les algorithmes de recherche traditionnels, " dit Davis. " En général, nous pensons que l'apprentissage automatique est utile pour le Big Data, mais EGO fonctionne dans des situations où nous avons peu ou pas de données et devons nous fier au jugement d'experts, puis grâce à une combinaison d'algorithmes de recherche et de connaissances de l'expert, transition efficace des petites aux grandes données."

Le modèle EGO est composé de trois étapes. D'abord, un expert humain sélectionne l'ensemble initial de paramètres, donnant à l'algorithme les limites de la recherche. Puis, un algorithme d'escalade recherche dans ces limites des combinaisons prometteuses de ces paramètres, résultant en un "optimum local". Finalement, l'expert évalue l'optimum local et décide s'il faut modifier le processus de recherche en ajoutant de nouveaux paramètres, ou continuer à chercher dans les limites existantes. Le processus se répète jusqu'à ce qu'une solution idéale soit trouvée.

La méthode EGO, qui peut s'étendre au-delà de l'impression 3D de matériaux souples pour une variété de processus d'ingénierie, a un grand potentiel en tant qu'outil systématique pour découvrir les paramètres clés qui donnent des résultats reproductibles, haute qualité, matériaux nouveaux.