I ricercatori hanno significativamente avanzato la stampa 3D DLP (Digital Light Processing) integrando l’intelligenza artificiale con una nuova chimica dei materiali. Il risultato: strutture con proprietà meccaniche notevolmente migliorate, che vanno da altamente flessibili a eccezionalmente rigide, tutte prodotte in un unico processo di stampa. Questa innovazione risolve un limite critico dell’attuale tecnologia DLP, che spesso impone un compromesso tra lo smorzamento del materiale e la resistenza strutturale.
La sfida dei compromessi meccanici
Il DLP è già apprezzato per la sua velocità, precisione e flessibilità dei materiali, dagli idrogel medici agli elastomeri morbidi per la robotica. Tuttavia, le resine fotoindurenti esistenti limitano la quantità di proprietà meccaniche che possono essere ottimizzate. Le comuni resine di poliuretano acrilato (PUA) offrono un buon smorzamento ma non hanno la rigidità necessaria per le applicazioni ad alto stress. Raggiungere entrambi gli obiettivi contemporaneamente è stato un grosso ostacolo.
Il problema non è solo la scienza dei materiali; è anche design. L’ottimizzazione delle geometrie complesse per la massima resistenza richiede un controllo preciso sui gradienti dei materiali, che richiede un’intensa attività di calcolo.
Una soluzione in due parti: nuove resine e ottimizzazione dell’intelligenza artificiale
Il team del Prof. Miso Kim presso il Korea Advanced Institute of Science and Technology ha affrontato questa sfida con un duplice approccio. Innanzitutto, hanno progettato un nuovo sistema di resina PUA che espande la gamma di rigidità da 8,3 MPa a 1,2 GPa mantenendo una bassa viscosità per una facile stampa. Ciò è stato ottenuto combinando segmenti morbidi (con legami disolfuro per la dissipazione di energia) e segmenti duri (idrossietil acrilato) in rapporti variabili.
In secondo luogo, hanno sviluppato un quadro di apprendimento automatico per progettare strutture di gradiente ottimizzate e generare le maschere in scala di grigi necessarie per la stampa DLP in scala di grigi (g-DLP). Questo framework utilizza l’ottimizzazione bayesiana per ridurre al minimo la concentrazione dello stress e massimizzare la rigidità. Perfeziona in modo iterativo i progetti attraverso simulazioni, garantendo sia l’integrità strutturale che il comportamento prevedibile dei guasti.
Convalida nel mondo reale
Il team ha dimostrato l’efficacia del proprio approccio in due applicazioni impegnative: cartilagine artificiale e paraurti automobilistici. Entrambi hanno mostrato miglioramenti meccanici significativi sotto ripetuti test di stress e impatto, dimostrando la versatilità della struttura.
Guardando al futuro
La ricerca futura si concentrerà sull’espansione delle opzioni relative ai materiali oltre i sistemi PUA e sull’ottimizzazione dei progetti per condizioni di carico dinamico. Ciò potrebbe portare a materiali stampati in 3D ancora più adattivi e robusti in vari settori.
L’integrazione della chimica dei compositi con l’ottimizzazione strutturale basata sull’intelligenza artificiale rappresenta un significativo passo avanti nella produzione additiva, offrendo un modello per materiali di prossima generazione con prestazioni meccaniche su misura.
Questo approccio sinergico, che combina progettazione molecolare, controllo della fotopolimerizzazione e ottimizzazione computazionale, stabilisce un nuovo standard per i materiali stampati in 3D.
Riferimento: J. Nam, B. Chen, M. Kim, Elaborazione della luce digitale in scala di grigi basata sull’apprendimento automatico per materiali avanzati con gradienti stampati in 3D meccanicamente robusti (2025), DOI: 10.1002/adma.202504075
