Diga adeus à confusão de extrusão



Diga adeus à confusão de extrusão
Quando se trata de imprimir algo simples em 3D, como um enfeite de mesa, clipes para gerenciamento de cabos ou um porta-canetas, não há muito o que fazer hoje em dia. Crie ou baixe um arquivo de design, carregue a impressora com filamento, pressione alguns botões e pronto. Dependendo da impressora, o objeto resultante pode ser um pouco áspero, mas geralmente é mais do que bom o suficiente. Esta é uma grande melhoria em relação aos primeiros dias da impressão 3D, quando fazer uma funcionar de forma consistente exigia praticamente um diploma em engenharia mecânica. Mas pedaços e peças de plástico minimamente úteis certamente não são tudo para o que as impressoras 3D são usadas. Hoje, elas são usadas para aplicações em medicina, construção, robótica e quase todo o resto também. E muitas dessas aplicações exigem muito mais precisão do que um brinquedo ou decoração. A escolha da impressora definitivamente tem muito a ver com a qualidade das impressões produzidas, mas há muito mais do que apenas isso. Normalmente, há dezenas ou até centenas de parâmetros que precisam ser ajustados corretamente para obter um bom resultado. Os melhores valores de parâmetros dependem de muitos fatores, como a geometria do objeto a ser produzido e o materials que está sendo usado. Além disso, cada um desses parâmetros também pode influenciar os outros, então encontrar a combinação certa é incrivelmente difícil. Tentativa e erro sozinhos exigem muito tempo e esforço, e também é improvável que cheguem a um resultado preferrred. Pesquisadores da Washington State College imprimem órgãos artificiais em 3D para uso no treinamento de estudantes de medicina. Para que esses órgãos artificiais tenham aparência e sensação de vida — o que é essencial para que sejam úteis — muitos parâmetros da impressora devem ser ajustados com precisão. Encontrar essa combinação manualmente é como tentar ganhar na loteria, então a equipe projetou um algoritmo de aprendizado de máquina que pode identificar rapidamente as configurações ideais para um trabalho. Os pesquisadores usaram a otimização bayesiana (BO) para identificar as melhores configurações de impressão 3D para criar modelos de órgãos, como próstatas e rins. Essa abordagem foi necessária porque eles tiveram que equilibrar vários objetivos, como velocidade de impressão, porosidade do materials e precisão, onde melhorar um fator poderia impactar negativamente outro. Por exemplo, aumentar a velocidade de impressão pode reduzir a precisão do modelo. O BO permitiu que eles explorassem diferentes combinações de parâmetros-chave de impressão, incluindo altura da camada, velocidade do bico e pressão de distribuição, para encontrar as configurações mais eficazes. Eles visualizaram essas compensações usando a frente de Pareto, que mostra as melhores opções onde cada configuração é ótima à sua maneira, mesmo que não atinja a perfeição em todos os aspectos. Isso os ajudou a entender como diferentes configurações de parâmetros impactavam a qualidade last da impressão. Ao aplicar o BO a modelos de órgãos intrincados e multicamadas, eles conseguiram identificar um conjunto diversificado de configurações de impressão que atingiram um equilíbrio favorável entre todos os fatores críticos. Essa abordagem não apenas aumentou a eficiência do processo de impressão 3D, mas também o tornou mais adequado para as necessidades específicas de aplicações biomédicas. Embora a equipe tenha se concentrado em órgãos artificiais neste trabalho, foi notado que sua abordagem é muito mais geral do que isso. Com pequenos ajustes, esse algoritmo de aprendizado de máquina pode otimizar impressões 3D para uma ampla gama de áreas de aplicação. Uma visão geral da abordagem (📷: E. Chen et al.) Rins e próstatas impressos em 3D melhoraram em iterações posteriores do algoritmo (📷: E. Chen et al.)

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *