Para optimizar la impresión 3D, los investigadores están aplicando el aprendizaje automático para minimizar el desperdicio y optimizar la estructura durante el proceso de impresión.

Las tecnologías de impresión 3D se están extendiendo rápidamente a más y más industrias, incluidas las tecnologías médica, de materiales, alimentaria, aeroespacial y muchas otras, lo que hace que la fabricación sea más rápida, económica y confiable.

Sin embargo, con este método de producción, a menudo hay escasez o exceso de material después de la impresión. Si no se usa lo suficiente, el objeto impreso puede ser demasiado tenue, mientras que una tasa de flujo de material demasiado alta genera imperfecciones en los patrones impresos y desperdicia dinero en la producción.

Para abordar este problema y hacer que la impresión 3D sea más eficiente, un equipo de investigación dirigido por Woo Soo Kim de la Universidad Simon Fraser en Columbia Británica, Canadá, ha ampliado el proceso de impresión 3D. en el sitio Control y corrección de consumos de material.

Los científicos trabajaron con el modelado por deposición fundida, una técnica de impresión 3D que imprime muestras capa por capa, depositando material fundido en forma de filamentos de una manera predeterminada, con la calidad del objeto impreso dependiendo de la velocidad de flujo del material que sale de un especial boquilla. Sin embargo, la tasa óptima puede variar en diferentes etapas del proceso de impresión, y elegir la tasa incorrecta puede dar lugar a los problemas mencionados anteriormente.

Los investigadores utilizaron el aprendizaje automático para controlar y regular automáticamente el flujo de material al imprimir componentes individuales; en este estudio, un hueso de perro de plástico. Su enfoque utiliza el análisis de datos para controlar el proceso de fabricación para aprender de los datos de entrada, reconocer patrones y hacer predicciones.

La cámara conectada a la impresora 3D registró el proceso de impresión y luego los datos se enviaron a la computadora para su análisis. El algoritmo de aprendizaje automático, entrenado para usar la apariencia de la pieza para determinar si se estaba extruyendo la cantidad correcta de material en un momento dado, pudo corregir el proceso en tiempo real cuando se consideró que la tasa de flujo de plástico era menor. que óptimo.

Todo esto funciona bien sobre el papel, pero los científicos tuvieron que probar experimentalmente la efectividad de su algoritmo. Para hacer esto, el equipo imprimió muestras a diferentes velocidades de flujo y descubrió que a velocidades de extrusión iniciales del 60 %, 80 %, 100 % y 120 % del óptimo, la velocidad de flujo del material se acercaba al óptimo al final de la tirada de impresión.

Optimizing 3D printing
Los cuatro estados de extrusión diferentes utilizados en el proceso de clasificación.

En cuanto a los parámetros del patrón impreso, los resultados fueron realmente impresionantes: en comparación con la impresión sin usar el algoritmo de control, el nuevo enfoque resultó en un aumento de hasta un 200 % en la fuerza del patrón, que puede ser crucial en muchos mecanismos, y ahorró hasta 40 % de la cantidad de material.

A pesar del progreso significativo, los científicos creen que es posible mejorar aún más su enfoque.

En primer lugar, creen que su método se puede utilizar no solo en el modelado por deposición fundida, sino también en otros procesos de impresión 3D. Además, no solo se podría controlar en tiempo real el caudal de material, sino también otros parámetros del proceso de impresión, como la temperatura del material. Incluso el patrón de impresión podría mejorarse aumentando el tamaño del conjunto de datos en el que se entrena el programa y haciendo que los controles de calidad de impresión sean más frecuentes.

Como siempre en la ciencia aplicada, solo la investigación posterior y su implementación industrial mostrarán si estas predicciones son correctas o no.

Referencia: Woo Soo Kim, et al., Impresión 3D adaptativa para el ajuste in situ de propiedades mecánicas, Sistemas inteligentes avanzados (2022). DOI:10.1002/aisy.202200229

Crédito de la foto: Minku Kang en Unsplash

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí