IL NUOVO ALGORITMO AI SBLOCCA LA STAMPA 3D A COLORI AD ALTA RISOLUZIONE RAPIDA I ricercatori del Computer Graphics Group (CGG) della Charles University hanno sviluppato una tecnica basata sull’apprendimento automatico (ML) che potrebbe aiutare a sbloccare il potenziale della stampa 3D a colori ad alta fedeltà.
Simulando continuamente il processo di stampa, il team è riuscito a formare un algoritmo per trovare in modo iterativo i parametri ottimali per limitare l’effetto bleeding del colore e migliorare la precisione delle parti. Il programma è anche ultra efficiente, richiede solo una GPU, il che lo rende fino a 300 volte più veloce di approcci AI simili, riducendo i tempi di preparazione della stampa da decine di ore a solo un paio di minuti.
Al momento, molte stampanti 3D a getto di materiale (MJ) sono in grado di produrre parti che presentano complesse variazioni di colore, quindi sono spesso utilizzate per ricreare manufatti e modelli chirurgici altamente dettagliati. Per ottenere ciò, i sistemi MJ convenzionali utilizzano la luce UV per polimerizzare con precisione diverse miscele di resine traslucide di colore di base e questo processo di miscelazione sottrattiva fornisce loro una tavolozza abbastanza ampia.
Tuttavia, nonostante la flessibilità della stampa 3D a colori, può causare una dispersione ottica indesiderata, che influisce sulla nitidezza e sulla precisione delle parti risultanti. Dato che tale effetto bleeding del colore è tridimensionale, quando si verifica, colpisce anche i colori sui lati opposti all’interno di oggetti con pareti sottili, rendendolo un ostacolo sostanziale alla produzione precisa su larga scala.
Nel 2017, i ricercatori sono stati in grado di dimostrare la fattibilità dell’utilizzo delle simulazioni per ottimizzare il posizionamento dei materiali durante la stampa, garantendo la nitidezza e il contrasto ottimali di una parte. Ora, però, sulla base di milioni di esecuzioni di test, il team ha creato un algoritmo migliorato, in grado di prevedere in modo più accurato come una determinata superficie è influenzata dai materiali circostanti, accelerando l’intero processo.
Convenzionalmente, la previsione della direzione del viaggio della luce UV implica l’utilizzo del cosiddetto modello di simulazione “Monte Carlo” (MC). Sebbene tali approcci siano spesso efficaci, possono richiedere molte ore per essere completati, anche quando si utilizza un sistema di fascia alta per produrre un oggetto molto piccolo, creando un collo di bottiglia che impedisce la produzione scalabile di parti colorate complesse.
Per aggirare questo problema, i ricercatori hanno adottato un approccio basato sui dati, in cui hanno utilizzato una rete neurale profonda per simulare la produzione di un numero ridotto di campioni, al costo di una maggiore varianza del risultato. Sebbene il ciclo di perfezionamento del team abbia portato ad alcune previsioni di qualità inferiore, sono state necessarie solo 30 ore per modellare un oggetto di riferimento, molto meno delle oltre 3.000 ore previste dal software basato su MC.
È stato anche scoperto che l’algoritmo rivisto generalizza meglio dei programmi esistenti tra forme di base e geometrie complesse, rendendolo potenzialmente ideale per condurre una preparazione della stampa 3D più ampia. Inoltre, durante i test su una workstation a GPU singola, il software del team è stato eseguito due volte più velocemente rispetto a prima, evitando la necessità di assemblare i cluster di computer precedentemente necessari per le attività di machine learning.
In effetti, rispetto ai flussi di lavoro di stampa 3D MJ esistenti, i ricercatori si sono rivelati fino a 300 volte più veloci e i campioni risultanti presentavano un livello di qualità simile ai modelli convenzionali con un colore “percettibilmente più nitido”, sebbene la loro configurazione alla fine abbia funzionato meno bene quando si creano oggetti con pareti sottili.
“[La nostra] pipeline di stampa 3D corrisponde al lavoro precedente in termini di qualità, pur essendo in genere da 100 a 300 volte più veloce”, hanno concluso i ricercatori nel loro articolo. “Nonostante la generalità limitata di qualsiasi modello basato sui dati, la rete si generalizza bene a geometrie e valori dei materiali invisibili. Questa robustezza presta la nostra soluzione per l’implementazione nel mondo reale.
Ottimizzazione AM basata su ML
Solo negli ultimi 12 mesi, gli algoritmi ML hanno trovato applicazioni di stampa 3D ad ampio raggio. Proprio l’anno scorso, lo specialista di dati Senvol è stato incaricato dal Laboratorio di ricerca dell’esercito americano di utilizzare il suo software ML proprietario come mezzo per sviluppare un piano flessibile per qualificare le parti di missili stampati in 3D .
Altrove, i ricercatori dell’Argonne National Laboratory e della Texas A&M University hanno utilizzato dati di temperatura in tempo reale e software ML per consentire il rilevamento avanzato dei difetti di stampa 3D . Nello specifico, gli scienziati sono stati in grado di correlare la storia termica di una parte con la formazione di difetti del sottosuolo durante la fusione del letto di polvere laser.
Allo stesso modo, un team con sede presso la New York University è riuscito a utilizzare gli strumenti ML per decodificare i componenti stampati in 3D in vetro e fibra di carbonio . Sfruttando le scansioni TC dei campioni di prova, i ricercatori sono stati effettivamente in grado di “rubare” il loro design e ricrearli con una precisione dello 0,33% rispetto all’originale.
