Исследователи значительно продвинули технологию 3D-печати с использованием цифровой световой обработки (DLP) благодаря интеграции искусственного интеллекта с инновационной материаловедением. Результат: структуры с резко улучшенными механическими свойствами, варьирующимися от высокой гибкости до исключительной жёсткости, все произведенные в одном процессе печати. Этот прорыв решает критическую проблему современных DLP-технологий, которые часто вынуждают к компромиссу между демпфированием материала и прочностью конструкции.
Проблема Механических Компромиссов
DLP уже ценится за свою скорость, точность и гибкость в использовании материалов – от медицинских гидрогелей до эластомеров для мягкой робототехники. Однако существующие фотоотверждаемые смолы ограничивают возможности тонкой настройки механических свойств. Обычные полиуретановые акрилатные (PUA) смолы обеспечивают хорошее демпфирование, но лишены жёсткости, необходимой для применений при высоких нагрузках. Достижение обоих свойств одновременно было серьёзным препятствием.
Проблема заключается не только в материаловедении, но и в проектировании. Оптимизация сложных геометрий для максимальной прочности требует точного контроля над градиентами материала, что вычислительно затратно.
Двухкомпонентное Решение: Новые Смолы и ИИ-Оптимизация
Команда профессора Мисо Ким из Корейского передового института науки и технологий решила эту задачу с помощью двухстороннего подхода. Во-первых, они разработали новую PUA-смолу, которая расширяет диапазон жёсткости от 8,3 МПа до 1,2 ГПа, сохраняя при этом низкую вязкость для лёгкой печати. Это было достигнуто путём комбинирования мягких сегментов (с дисульфидными связями для рассеивания энергии) и жёстких сегментов (гидроксиэтилакрилат) в различных пропорциях.
Во-вторых, они разработали структуру машинного обучения для проектирования оптимизированных градиентных структур и генерации оттенков серого, необходимых для печати с оттенками серого (g-DLP). Эта структура использует байесовскую оптимизацию для минимизации концентрации напряжений и максимизации жёсткости. Она итеративно уточняет конструкции посредством моделирования, обеспечивая как структурную целостность, так и предсказуемое поведение при разрушении.
Валидация в Реальных Условиях
Команда продемонстрировала эффективность своего подхода в двух требовательных областях применения: искусственный хрящ и автомобильные бамперы. Оба показали значительные улучшения механических свойств при повторных испытаниях на прочность и ударопрочность, что подтверждает универсальность структуры.
Взгляд в Будущее
Будущие исследования будут сосредоточены на расширении вариантов материалов за пределы PUA-систем и оптимизации конструкций для динамических условий нагрузки. Это может привести к ещё более адаптивным и надёжным 3D-печатным материалам в различных отраслях промышленности.
Интеграция композитной химии с ИИ-управляемой структурной оптимизацией представляет собой значительный шаг вперёд в аддитивном производстве, предлагая проект следующего поколения материалов с адаптированными механическими характеристиками.
Этот синергетический подход, сочетающий молекулярный дизайн, контроль фотополимеризации и вычислительную оптимизацию, устанавливает новый стандарт для 3D-печатных материалов.
Ссылка: J. Nam, B. Chen, M. Kim, Machine Learning-Driven Grayscale Digital Light Processing for Mechanically Robust 3D-Printed Gradient Materials Advanced Materials (2025), DOI: 10.1002/adma.202504075
