Les chercheurs ont considérablement fait progresser l’impression 3D par traitement numérique de la lumière (DLP) en intégrant l’intelligence artificielle à une nouvelle chimie des matériaux. Le résultat : des structures aux propriétés mécaniques considérablement améliorées, allant de très flexibles à exceptionnellement rigides, le tout produit en un seul processus d’impression. Cette avancée répond à une limitation critique de la technologie DLP actuelle, qui impose souvent un compromis entre l’amortissement des matériaux et la résistance structurelle.
Le défi des compromis mécaniques
Le DLP est déjà apprécié pour sa rapidité, sa précision et la flexibilité de ses matériaux – des hydrogels médicaux aux élastomères robotiques souples. Cependant, les résines photodurcissables existantes limitent le degré de réglage fin des propriétés mécaniques. Les résines polyuréthane-acrylate (PUA) courantes offrent un bon amortissement mais n’ont pas la rigidité nécessaire pour les applications à contraintes élevées. Réaliser les deux simultanément a été un obstacle majeur.
Le problème ne vient pas seulement de la science des matériaux ; c’est aussi du design. L’optimisation de géométries complexes pour une résistance maximale nécessite un contrôle précis des gradients de matériaux, ce qui nécessite de nombreux calculs.
Une solution en deux parties : nouvelles résines et optimisation de l’IA
L’équipe du professeur Miso Kim de l’Institut supérieur coréen des sciences et technologies a relevé ce défi avec une approche à deux volets. Tout d’abord, ils ont conçu un nouveau système de résine PUA qui étend la plage de rigidité de 8,3 MPa à 1,2 GPa tout en conservant une faible viscosité pour une impression facile. Ceci a été réalisé en combinant des segments mous (avec des liaisons disulfure pour la dissipation d’énergie) et des segments durs (acrylate d’hydroxyéthyle) dans des proportions variables.
Deuxièmement, ils ont développé un cadre d’apprentissage automatique pour concevoir des structures de dégradés optimisées et générer les masques d’échelle de gris nécessaires à l’impression DLP (g-DLP) en niveaux de gris. Ce cadre utilise l’optimisation bayésienne pour minimiser la concentration des contraintes et maximiser la rigidité. Il affine les conceptions de manière itérative grâce à des simulations, garantissant à la fois l’intégrité structurelle et un comportement de défaillance prévisible.
Validation dans le monde réel
L’équipe a démontré l’efficacité de son approche dans deux applications exigeantes : le cartilage artificiel et les pare-chocs automobiles. Les deux ont montré des améliorations mécaniques significatives lors d’essais répétés de contrainte et d’impact, prouvant la polyvalence du cadre.
Regarder vers l’avenir
Les recherches futures se concentreront sur l’élargissement des options de matériaux au-delà des systèmes PUA et sur l’optimisation des conceptions pour les conditions de chargement dynamiques. Cela pourrait conduire à des matériaux imprimés en 3D encore plus adaptatifs et robustes dans diverses industries.
L’intégration de la chimie des composites avec l’optimisation structurelle basée sur l’IA représente une avancée significative dans la fabrication additive, offrant un modèle pour des matériaux de nouvelle génération avec des performances mécaniques sur mesure.
Cette approche synergique, combinant conception moléculaire, contrôle de la photopolymérisation et optimisation informatique, établit une nouvelle norme pour les matériaux imprimés en 3D.
Référence : J. Nam, B. Chen, M. Kim, Traitement de la lumière numérique en niveaux de gris basé sur l’apprentissage automatique pour des matériaux dégradés imprimés en 3D mécaniquement robustes, Advanced Materials (2025), DOI : 10.1002/adma.202504075.
