محققان دانشکده مهندسی دانشگاه کارنگی ملون رویکرد جدیدی را برای بهینه سازی چاپ 3 بعدی مواد نرم ایجاد کرده اند. روش بهینه سازی خبره (EGO) محققان ، قضاوت متخصص را با یک الگوریتم بهینه سازی ترکیب می کند که به طور کارآمد ترکیبی از پارامترهای مربوط به چاپ 3 بعدی را جستجو می کند ، این امکان را می دهد تا محصولات پارچه ای با وفاداری بالا چاپ شود.

محققان - که شامل نویسنده اصلی سارا عبداللهی ، دکترای دکتر است. دانشجوی مهندسی زیست پزشکی آدام فاینبرگ ، دانشیار مهندسی زیست پزشکی و علوم و مهندسی مواد؛ الکس دیویس ، استادیار مهندسی و سیاست های عمومی؛ و پروفسور جان میلر ، کالج علوم انسانی و علوم اجتماعی دیتریش روش EGO را برای بهینه سازی چاپ های 3 بعدی با کیفیت بالا از مواد نرم طراحی کردند.

در مقاله خود با عنوان "بهینه سازی خبره جهت چاپ 3 بعدی از مواد نرم و مایع" ، که اخیراً در PLOS One منتشر شده است ، محققان روش EGO را با استفاده از رزین الاستومر پلی متی متیل سیلوکسان (PDMS) مایع ، ماده ای که اغلب در پوشیدنی استفاده می شود ، نشان می دهند. سنسورها و وسایل پزشکی. محققان از روش چاپی به نام تعبیه برگشت پذیر برگشت پذیر (FRE) استفاده کردند ، که در آن مواد نرم درون یک حمام ژل نگهدارنده قرار می گیرند.

وقتی نوبت به چاپ مواد نرم 3 بعدی می رسد ، بسیاری از پارامترها می توانند بر محصول نهایی تأثیر بگذارند. چقدر سریع سر پرینتر 3 بعدی حرکت می کند ، قوام ژل حمام که در آن محصول چاپ می شود و غلظت هر ماده در چاپ فقط چند متغیر است که می تواند محصول نهایی را تحت تأثیر قرار دهد. در هر چاپ ، ده ها پارامتر برای در نظر گرفتن وجود دارد ، و بسیاری از ترکیب های ممکن دیگر از آنها.

یک مدل بهینه سازی معمولی یا طراحی آزمایشی روی چند پارامتر متمرکز خواهد شد که برای چاپ مهمترین هستند. با این حال ، سازگاری این مدل های بهینه سازی برای مواد آزمایشی ، که ویژگی های چاپ 3 بعدی آنها به خوبی مشخص نیست ، می تواند بسیار چالش برانگیز باشد.

عبدالهی می گوید: "هنگامی که ترموپلاستیک های چاپی 3 بعدی ، اگر فقط پنج یا 10 پارامتر اصلی چاپ را دارید و می خواهید مثلاً پنج سطح از آنها را کشف کنید ، می توان گفت ، یک طرح فاکتوریل می تواند منجر به میلیون ها ترکیب احتمالی تنظیمات برای چاپ شود." "این ترکیبات هنگام کاوش در یک ماده آزمایشی که ویژگی های چاپ آن ناشناخته است ، بسیار دلهره آورتر می شوند. به عنوان مثال ، اگر ماده آزمایشی دارای 20 پارامتر چاپ با پنج سطح باشد ، آزمایش کننده می تواند تریلیونها ترکیب تنظیمات چاپ را کشف کند."

با این حال ، با مدل EGO ، این چالش را می توان کمتر از مانع ایجاد کرد زیرا کارشناسان قادر به رد بسیاری از ترکیبات به عنوان ناکارآمد هستند. با ترکیب قضاوت علمی یک متخصص با الگوریتم های جستجوی کارآمد ، EGO زمان و انرژی لازم را برای یافتن ترکیب هایی که بهینه چاپ های 3 بعدی برای مواد آزمایشی هستند ، بطور چشمگیری کاهش می دهد.

دیویس می گوید: "هدف EGO ایجاد یک الگوریتم جستجوی مؤثر است که صریحاً دانش دانش و الگوریتم های جستجوی سنتی را با هم ترکیب می کند." "به طور معمول ما فکر می کنیم یادگیری ماشین برای داده های بزرگ مفید است ، اما EGO در شرایطی کار می کند که داده های کمی داریم و یا نداریم و نیاز به اتکا به قضاوت متخصص داریم ، سپس از طریق ترکیبی از الگوریتم های جستجو و دانش متخصص ، به طور مؤثر از انتقال کوچک به اطلاعات بزرگ."

مدل EGO از سه مرحله تشکیل شده است. اول ، یک متخصص انسانی مجموعه اولیه پارامترها را انتخاب می کند ، و به الگوریتم مرزهای جستجو می دهد. سپس ، یک الگوریتم کوهنوردی در کوهستان برای یافتن ترکیبهای امیدوارکننده از آن پارامترها در آن محدوده ها جستجو می کند ، و در نتیجه "بهینه محلی" انجام می شود. سرانجام ، متخصص بهینه محلی را ارزیابی می کند و تصمیم می گیرد که آیا با اضافه کردن پارامترهای جدید می تواند روند جستجو را تغییر دهد یا به جستجو در مرزهای موجود ادامه دهد . این روند تا زمانی که یک راه حل ایده آل پیدا نشود ، تکرار می شود.

روش EGO ، که می تواند فراتر از چاپ 3 بعدی مواد نرم برای انواع فرآیندهای مهندسی باشد ، از پتانسیل فوق العاده ای به عنوان ابزاری منظم برای کشف پارامترهای کلیدی تولید شده با مواد جدید و با کیفیت بالا برخوردار است .

محققان دانشکده مهندسی دانشگاه کارنگی ملون رویکرد جدیدی را برای بهینه سازی چاپ 3 بعدی مواد نرم ایجاد کرده اند. روش بهینه سازی خبره (EGO) محققان ، قضاوت متخصص را با یک الگوریتم بهینه سازی ترکیب می کند که به طور کارآمد ترکیبی از پارامترهای مربوط به چاپ 3 بعدی را جستجو می کند ، این امکان را می دهد تا محصولات پارچه ای با وفاداری بالا چاپ شود.

محققان - که شامل نویسنده اصلی سارا عبداللهی ، دکترای دکتر است. دانشجوی مهندسی زیست پزشکی آدام فاینبرگ ، دانشیار مهندسی زیست پزشکی و علوم و مهندسی مواد؛ الکس دیویس ، استادیار مهندسی و سیاست های عمومی؛ و پروفسور جان میلر ، کالج علوم انسانی و علوم اجتماعی دیتریش روش EGO را برای بهینه سازی چاپ های 3 بعدی با کیفیت بالا از مواد نرم طراحی کردند.

در مقاله خود با عنوان "بهینه سازی خبره جهت چاپ 3 بعدی از مواد نرم و مایع" ، که اخیراً در PLOS One منتشر شده است ، محققان روش EGO را با استفاده از رزین الاستومر پلی متی متیل سیلوکسان (PDMS) مایع ، ماده ای که اغلب در پوشیدنی استفاده می شود ، نشان می دهند. سنسورها و وسایل پزشکی. محققان از روش چاپی به نام تعبیه برگشت پذیر برگشت پذیر (FRE) استفاده کردند ، که در آن مواد نرم درون یک حمام ژل نگهدارنده قرار می گیرند.

وقتی نوبت به چاپ مواد نرم 3 بعدی می رسد ، بسیاری از پارامترها می توانند بر محصول نهایی تأثیر بگذارند. چقدر سریع سر پرینتر 3 بعدی حرکت می کند ، قوام ژل حمام که در آن محصول چاپ می شود و غلظت هر ماده در چاپ فقط چند متغیر است که می تواند محصول نهایی را تحت تأثیر قرار دهد. در هر چاپ ، ده ها پارامتر برای در نظر گرفتن وجود دارد ، و بسیاری از ترکیب های ممکن دیگر از آنها.

یک مدل بهینه سازی معمولی یا طراحی آزمایشی روی چند پارامتر متمرکز خواهد شد که برای چاپ مهمترین هستند. با این حال ، سازگاری این مدل های بهینه سازی برای مواد آزمایشی ، که ویژگی های چاپ 3 بعدی آنها به خوبی مشخص نیست ، می تواند بسیار چالش برانگیز باشد.

عبدالهی می گوید: "هنگامی که ترموپلاستیک های چاپی 3 بعدی ، اگر فقط پنج یا 10 پارامتر اصلی چاپ را دارید و می خواهید مثلاً پنج سطح از آنها را کشف کنید ، می توان گفت ، یک طرح فاکتوریل می تواند منجر به میلیون ها ترکیب احتمالی تنظیمات برای چاپ شود." "این ترکیبات هنگام کاوش در یک ماده آزمایشی که ویژگی های چاپ آن ناشناخته است ، بسیار دلهره آورتر می شوند. به عنوان مثال ، اگر ماده آزمایشی دارای 20 پارامتر چاپ با پنج سطح باشد ، آزمایش کننده می تواند تریلیونها ترکیب تنظیمات چاپ را کشف کند."

با این حال ، با مدل EGO ، این چالش را می توان کمتر از مانع ایجاد کرد زیرا کارشناسان قادر به رد بسیاری از ترکیبات به عنوان ناکارآمد هستند. با ترکیب قضاوت علمی یک متخصص با الگوریتم های جستجوی کارآمد ، EGO زمان و انرژی لازم را برای یافتن ترکیب هایی که بهینه چاپ های 3 بعدی برای مواد آزمایشی هستند ، بطور چشمگیری کاهش می دهد.

دیویس می گوید: "هدف EGO ایجاد یک الگوریتم جستجوی مؤثر است که صریحاً دانش دانش و الگوریتم های جستجوی سنتی را با هم ترکیب می کند." "به طور معمول ما فکر می کنیم یادگیری ماشین برای داده های بزرگ مفید است ، اما EGO در شرایطی کار می کند که داده های کمی داریم و یا نداریم و نیاز به اتکا به قضاوت متخصص داریم ، سپس از طریق ترکیبی از الگوریتم های جستجو و دانش متخصص ، به طور مؤثر از انتقال کوچک به اطلاعات بزرگ."

مدل EGO از سه مرحله تشکیل شده است. اول ، یک متخصص انسانی مجموعه اولیه پارامترها را انتخاب می کند ، و به الگوریتم مرزهای جستجو می دهد. سپس ، یک الگوریتم کوهنوردی در کوهستان برای یافتن ترکیبهای امیدوارکننده از آن پارامترها در آن محدوده ها جستجو می کند ، و در نتیجه "بهینه محلی" انجام می شود. سرانجام ، متخصص بهینه محلی را ارزیابی می کند و تصمیم می گیرد که آیا با اضافه کردن پارامترهای جدید می تواند روند جستجو را تغییر دهد یا به جستجو در مرزهای موجود ادامه دهد . این روند تا زمانی که یک راه حل ایده آل پیدا نشود ، تکرار می شود.

روش EGO ، که می تواند فراتر از چاپ 3 بعدی مواد نرم برای انواع فرآیندهای مهندسی باشد ، از پتانسیل فوق العاده ای به عنوان ابزاری منظم برای کشف پارامترهای کلیدی تولید شده با مواد جدید و با کیفیت بالا برخوردار است .