在3D打印中结合专家和自动化

卡内基梅隆大学工程学院的研究人员开发出一种优化软材料3D打印的新方法。研究人员的专家指导优化(EGO)方法将专家判断与优化算法相结合，优化算法可有效搜索与3D打印相关的参数组合，从而实现高保真软材料产品的打印。

研究人员包括主要作者Sara Abdollahi，博士。生物医学工程专业的学生; Adam Feinberg，生物医学工程和材料科学与工程副教授; 亚历克斯戴维斯，工程和公共政策助理教授; 迪特里希人文与社会科学学院教授约翰米勒设计了EGO方法，以优化高质量的软材料3D打印。

最近发表于PLOS One的论文“专家指导的软质和液体材料三维打印优化” 研究人员展示了EGO方法，该方法使用液体聚二甲基硅氧烷(PDMS)弹性体树脂，这是一种常用于可穿戴设备的材料传感器和医疗设备。研究人员使用了一种称为自由形式可逆嵌入(FRE)的印刷方法，其中软材料沉积在凝胶支撑浴中。

对于3D打印软材料，许多参数会影响最终产品。3-D打印机的头部移动速度，打印产品的凝胶浴的稠度以及打印件中每种材料的浓度只是影响最终产品的一些变量。在每个印刷品中，可以考虑许多参数，以及它们的更多可能组合。

典型的优化模型或实验设计将关注一些被认为对印刷最重要的参数。然而，将这些优化模型用于实验材料(其3D打印特性并不为人所知)可能极具挑战性。

“当3D打印热塑性塑料时，如果你只有5个或10个主要打印参数，并且想要探索，比如每个级别的五个级别，那么因子设计可以产生数百万种可能的打印设置组合，”Abdollahi说。“当探索其打印特性未知的实验材料时，组合变得更加艰巨。例如，如果实验材料具有20个打印参数，具有5个级别，则实验者可以具有数万亿的打印设置组合以进行探索。”

然而，使用EGO模型，这一挑战可以减少障碍，因为专家能够排除许多组合无效。通过将专家的科学判断与高效的搜索算法相结合，EGO显着减少了寻找能够为实验材料提供最佳3D打印的组合所需的时间和精力。

“EGO的目的是创建一种有效的搜索算法，明确地结合专家知识和传统的搜索算法，”戴维斯说。“通常我们认为机器学习对于大数据是有用的，但EGO适用于我们很少或没有数据并且需要依赖专家判断，然后通过搜索算法和专家知识的组合，有效地从小到小的过渡的情况。大数据。”

EGO模型由三个步骤组成。首先，人类专家选择初始参数集，为算法提供搜索边界。然后，爬山算法在这些边界内搜索这些参数的有希望的组合，从而产生“局部最优”。最后，专家评估局部最优并决定是否通过添加新参数来改变搜索过程，或继续在现有边界内搜索。该过程重复进行，直到找到理想的解决方案。

EGO方法可以扩展到软材料的3D打印，适用于各种工程过程，作为一种系统工具，可以发现产生可重复，高质量，新颖材料的关键参数。