Naukowcy poczynili znaczne postępy w technologii druku 3D z cyfrowym przetwarzaniem światła (DLP), integrując sztuczną inteligencję z innowacyjną nauką o materiałach. Rezultat: struktury o radykalnie ulepszonych właściwościach mechanicznych, od wysokiej elastyczności po wyjątkową sztywność, a wszystko to wyprodukowane w jednym procesie drukowania. To przełomowe rozwiązanie rozwiązuje krytyczny problem obecnych technologii DLP, które często wymuszają kompromis pomiędzy tłumieniem materiału a wytrzymałością konstrukcyjną.
Problem kompromisów mechanicznych
DLP jest już cenione za szybkość, precyzję i elastyczność w stosowaniu materiałów, od hydrożeli medycznych po elastomery w miękkiej robotyce. Jednakże istniejące żywice fotoutwardzalne ograniczają możliwość precyzyjnej regulacji właściwości mechanicznych. Konwencjonalne żywice poliuretanowo-akrylanowe (PUA) zapewniają dobre tłumienie, ale brakuje im sztywności potrzebnej w zastosowaniach wymagających dużych obciążeń. Główną przeszkodą było jednoczesne osiągnięcie obu właściwości.
Problem leży nie tylko w materiałoznawstwie, ale także w projektowaniu. Optymalizacja złożonych geometrii w celu uzyskania maksymalnej wytrzymałości wymaga precyzyjnej kontroli nachylenia materiału, co jest kosztowne obliczeniowo.
Rozwiązanie dwuczęściowe: nowe żywice i optymalizacja AI
Zespół profesora Miso Kima z Koreańskiego Instytutu Zaawansowanych Nauki i Technologii rozwiązał ten problem, stosując podejście dwutorowe. Najpierw opracowali nową żywicę PUA, która rozszerza zakres sztywności z 8,3 MPa do 1,2 GPa, zachowując jednocześnie niską lepkość, co ułatwia drukowanie. Osiągnięto to poprzez połączenie miękkich segmentów (z wiązaniami dwusiarczkowymi rozpraszającymi energię) i twardych segmentów (akrylan hydroksyetylu) w różnych proporcjach.
Po drugie, opracowali platformę uczenia maszynowego do projektowania zoptymalizowanych struktur gradientów i generowania skali szarości wymaganej do drukowania w skali szarości (g-DLP). Struktura ta wykorzystuje optymalizację Bayesa, aby zminimalizować koncentrację naprężeń i zmaksymalizować sztywność. Iteracyjnie udoskonala projekty poprzez symulację, zapewniając zarówno integralność strukturalną, jak i przewidywalne zachowanie w przypadku awarii.
Walidacja w rzeczywistych warunkach
Zespół wykazał skuteczność swojego podejścia w dwóch wymagających zastosowaniach: sztucznej chrząstki i zderzakach samochodowych. Obydwa wykazały znaczną poprawę właściwości mechanicznych w powtarzanych testach wytrzymałościowych i udarnościowych, potwierdzając wszechstronność konstrukcji.
Patrzenie w przyszłość
Przyszłe badania skupią się na rozszerzeniu opcji materiałowych poza systemy PUA i optymalizacji projektów pod kątem dynamicznych warunków obciążenia. Może to prowadzić do jeszcze bardziej adaptacyjnych i niezawodnych materiałów drukowanych 3D w różnych branżach.
Integracja chemii kompozytów z optymalizacją strukturalną kierowaną przez sztuczną inteligencję stanowi znaczący krok naprzód w produkcji przyrostowej, oferując model nowej generacji materiałów o dostosowanych właściwościach mechanicznych.
To synergiczne podejście łączące projektowanie molekularne, kontrolę fotopolimeryzacji i optymalizację obliczeniową wyznacza nowy standard dla materiałów drukowanych 3D.
Odniesienie: J. Nam, B. Chen, M. Kim, Cyfrowe przetwarzanie światła w skali szarości oparte na uczeniu maszynowym dla wytrzymałych mechanicznie materiałów gradientowych drukowanych w 3D Advanced Materials (2025), DOI: 10.1002/adma.202504075
