Onderzoekers hebben het 3D-printen met Digital Light Processing (DLP) aanzienlijk verbeterd door kunstmatige intelligentie te integreren met nieuwe materiaalchemie. Het resultaat: structuren met dramatisch verbeterde mechanische eigenschappen, variërend van zeer flexibel tot uitzonderlijk stijf, allemaal geproduceerd in één drukproces. Deze doorbraak pakt een kritische beperking aan in de huidige DLP-technologie, die vaak een afweging maakt tussen materiaaldemping en structurele sterkte.
De uitdaging van mechanische compromissen
DLP wordt al gewaardeerd om zijn snelheid, precisie en materiaalflexibiliteit – van medische hydrogels tot zachte robotica-elastomeren. Bestaande, door licht uithardbare harsen beperken echter de mate waarin de mechanische eigenschappen kunnen worden verfijnd. Gangbare polyurethaanacrylaatharsen (PUA) bieden een goede demping, maar missen de stijfheid die nodig is voor toepassingen met hoge spanning. Het tegelijkertijd bereiken van beide was een grote hindernis.
Het probleem is niet alleen de materiële wetenschap; het is ook ontwerp. Het optimaliseren van complexe geometrieën voor maximale sterkte vereist nauwkeurige controle over materiaalgradiënten, wat rekenintensief is.
Een tweedelige oplossing: nieuwe harsen en AI-optimalisatie
Het team van prof. Miso Kim van het Korea Advanced Institute of Science and Technology heeft deze uitdaging aangepakt met een tweeledige aanpak. Ten eerste hebben ze een nieuw PUA-harssysteem ontwikkeld dat het stijfheidsbereik vergroot van 8,3 MPa naar 1,2 GPa, terwijl de lage viscositeit behouden blijft voor gemakkelijk printen. Dit werd bereikt door zachte segmenten (met disulfidebindingen voor energiedissipatie) en harde segmenten (hydroxyethylacrylaat) in verschillende verhoudingen te combineren.
Ten tweede ontwikkelden ze een machine learning-framework om geoptimaliseerde gradiëntstructuren te ontwerpen en de grijswaardenmaskers te genereren die nodig zijn voor grijswaarden DLP (g-DLP)-afdrukken. Dit raamwerk maakt gebruik van Bayesiaanse optimalisatie om de spanningsconcentratie te minimaliseren en de stijfheid te maximaliseren. Het verfijnt ontwerpen iteratief door middel van simulaties, waardoor zowel structurele integriteit als voorspelbaar faalgedrag wordt gegarandeerd.
Validatie in de echte wereld
Het team demonstreerde de effectiviteit van hun aanpak in twee veeleisende toepassingen: kunstkraakbeen en autobumpers. Beide lieten aanzienlijke mechanische verbeteringen zien onder herhaalde stress- en impacttests, wat de veelzijdigheid van het raamwerk aantoont.
Vooruitkijken
Toekomstig onderzoek zal zich richten op het uitbreiden van materiaalopties buiten PUA-systemen en het optimaliseren van ontwerpen voor dynamische belastingsomstandigheden. Dit zou kunnen leiden tot nog adaptievere en robuustere 3D-geprinte materialen in verschillende industrieën.
De integratie van composietchemie met AI-gestuurde structurele optimalisatie vertegenwoordigt een belangrijke stap voorwaarts in additieve productie en biedt een blauwdruk voor materialen van de volgende generatie met op maat gemaakte mechanische prestaties.
Deze synergetische aanpak – waarbij moleculair ontwerp, fotopolymerisatiecontrole en computationele optimalisatie worden gecombineerd – zet een nieuwe standaard voor 3D-geprinte materialen.
Referentie: J. Nam, B. Chen, M. Kim, Machine Learning-Driven Grayscale Digital Light Processing voor mechanisch robuuste 3D-geprinte gradiëntmaterialen Geavanceerde materialen (2025), DOI: 10.1002/adma.202504075
