Un gruppo di ricerca del KAIST ha sviluppato con il supporto dell’intelligenza artificiale un nuovo materiale capace di combinare elevata elasticità e compatibilità con la stampa 3D, superando uno dei principali compromessi nella produzione di componenti destinati alla soft robotics, ai dispositivi indossabili e alle applicazioni medicali personalizzate. Il lavoro è stato condotto dal team del professor Lee Seung-chul del Dipartimento di Ingegneria Meccanica del KAIST insieme al gruppo del ricercatore Na Jong-beom del Center for Extreme Materials Research e al professor Park Beom-soo della Seoul National University of Science and Technology.
Il problema affrontato riguarda il rapporto tra viscosità, stampabilità e proprietà meccaniche dei materiali morbidi. Le formulazioni molto viscose tendono a offrire maggiore elasticità e robustezza, ma sono difficili da processare con le tecnologie di stampa 3D perché scorrono con difficoltà. Rendere il materiale più fluido facilita invece la deposizione o la fotopolimerizzazione, ma può ridurre significativamente la resistenza e la capacità di deformarsi senza rompersi. Il gruppo di ricerca ha utilizzato l’intelligenza artificiale per individuare una composizione in grado di mantenere contemporaneamente queste caratteristiche, evitando di limitare la ricerca alle sole formulazioni già considerate facilmente stampabili.
Durante la fase di apprendimento sono stati infatti inclusi nei dati sperimentali sia materiali rigidi e semplici da stampare sia composizioni caratterizzate da viscosità molto elevata e quindi normalmente considerate problematiche per il processo produttivo. Attraverso tecniche di machine learning, il sistema ha analizzato le relazioni tra composizione e prestazioni del materiale, ricavando le combinazioni più promettenti per ottenere contemporaneamente stampabilità, elasticità e resistenza. L’intelligenza artificiale è stata quindi utilizzata come strumento di esplorazione dello spazio delle formulazioni, permettendo di individuare combinazioni che sarebbero state più difficili da identificare procedendo esclusivamente attraverso prove sperimentali iterative.
Il materiale selezionato è risultato compatibile con la stampa DLP, Digital Light Processing, una tecnologia di additive manufacturing nella quale un materiale liquido fotosensibile viene solidificato attraverso l’esposizione controllata alla luce. Nonostante le proprietà elastiche elevate, la formulazione ha mostrato una buona stabilità durante la stampa e, una volta polimerizzata, è risultata capace di allungarsi fino a oltre sei volte rispetto alla propria lunghezza iniziale senza rompersi facilmente. Questa combinazione rende possibile la produzione diretta di strutture morbide caratterizzate da geometrie complesse, senza dover sacrificare in modo significativo le proprietà meccaniche necessarie durante l’utilizzo.
Per verificare l’applicabilità del materiale, i ricercatori hanno utilizzato la stampa 3D per realizzare soft actuator, cioè attuatori deformabili in grado di generare movimenti attraverso sistemi come la pressione pneumatica, riproducendo in parte il comportamento dei muscoli. Più attuatori sono stati successivamente combinati per costruire una mano robotica morbida. Il prototipo ha dimostrato di poter sollevare una bottiglia d’acqua del peso di 1 chilogrammo e contemporaneamente manipolare senza danneggiarli oggetti molto più fragili, tra cui uova e contenitori di vetro. Il sistema ha inoltre mantenuto la capacità di presa con oggetti caratterizzati da geometrie differenti, come confezioni per uova e mouse per computer, mostrando la capacità della struttura morbida di adattarsi alla forma dell’elemento manipolato.
La possibilità di modificare facilmente la geometria attraverso la stampa 3D amplia il campo di utilizzo rispetto a componenti elastomerici prodotti con stampi tradizionali. Nella soft robotics, per esempio, attuatori e sistemi di presa devono spesso essere adattati alle dimensioni e alle caratteristiche degli oggetti da manipolare, mentre nei dispositivi medicali e indossabili può essere necessario produrre componenti direttamente sulla base dell’anatomia dell’utilizzatore. Un materiale che possa essere stampato in configurazioni complesse mantenendo un’elevata deformabilità consente quindi di ridurre la distanza tra progettazione digitale e produzione del componente finale.
Il metodo sviluppato non è limitato alla formulazione ottenuta nel progetto. L’approccio consiste nel combinare dati sperimentali e machine learning per modellare la relazione tra composizione del materiale e proprietà finali, utilizzando successivamente il modello per ricercare formulazioni con caratteristiche definite in anticipo. Il sistema può quindi essere riutilizzato per individuare più rapidamente nuovi materiali con prestazioni differenti, modificando gli obiettivi richiesti in termini di elasticità, resistenza, viscosità o comportamento durante la stampa.
Secondo il gruppo del KAIST, il risultato mostra come l’intelligenza artificiale possa intervenire direttamente nella fase di scoperta dei materiali, non limitandosi all’analisi dei dati prodotti dagli esperimenti ma contribuendo alla scelta delle formulazioni da realizzare e testare. L’integrazione tra dati sperimentali, modellazione tramite machine learning e produzione additiva permette così di ridurre il numero di combinazioni da verificare fisicamente e di concentrare le prove sulle formulazioni con la maggiore probabilità di soddisfare contemporaneamente requisiti che, nei materiali tradizionali, risultano spesso difficili da conciliare.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)