Дослідники значно просунули технологію 3D-друку з використанням цифрової світлової обробки (DLP) завдяки інтеграції штучного інтелекту з інноваційним матеріалознавством. Результат: структури з різко покращеними механічними властивостями, що варіюються від високої гнучкості до виняткової жорсткості, усі виготовлені в одному процесі друку. Цей прорив вирішує критичну проблему сучасних DLP-технологій, які часто змушують компромісу між демпфуванням матеріалу і міцністю конструкції.
Проблема Механічних Компромісів
DLP вже цінується за свою швидкість, точність та гнучкість у використанні матеріалів – від медичних гідрогелів до еластомерів для м’якої робототехніки. Однак існуючі фотозатверджувані смоли обмежують можливості тонкого налаштування механічних властивостей. Звичайні поліуретанові акрилатні (PUA) смоли забезпечують хороше демпфування, але позбавлені жорсткості, необхідної для застосування при високих навантаженнях. Досягнення обох властивостей одночасно було серйозною перешкодою.
Проблема полягає не тільки в матеріалознавстві, а й у проектуванні. Оптимізація складних геометрій для максимальної міцності вимагає точного контролю за градієнтами матеріалу, що обчислювально витратно.
Двокомпонентне Рішення: Нові Смоли та ІІ-Оптимізація
Команда професора Місо Кім із Корейського передового інституту науки та технологій вирішила це завдання за допомогою двостороннього підходу. По-перше, вони розробили нову PUA-смолу, яка розширює діапазон жорсткості від 8,3 МПа до 1,2 ГПа, зберігаючи при цьому низьку в’язкість для легкого друку. Це було досягнуто шляхом комбінування м’яких сегментів (з дисульфідними зв’язками для розсіювання енергії) та жорстких сегментів (гідроксіетилакрилат) у різних пропорціях.
По-друге, вони розробили структуру машинного навчання для проектування оптимізованих градієнтних структур та генерації відтінків сірого, які необхідні для друку з відтінками сірого (g-DLP). Ця структура використовує байєсовську оптимізацію для мінімізації концентрації напруги та максимізації жорсткості. Вона ітеративно уточнює конструкції у вигляді моделювання, забезпечуючи як структурну цілісність, і передбачуване поведінка при руйнуванні.
Валідація в Реальних Умовах
Команда продемонструвала ефективність свого підходу у двох вимогливих сферах застосування: штучний хрящ та автомобільні бампери. Обидва показали значні поліпшення механічних властивостей при повторних випробуваннях на міцність та міцність, що підтверджує універсальність структури.
Погляд у Майбутнє
Майбутні дослідження будуть зосереджені на розширенні варіантів матеріалів за межі PUA-систем та оптимізації конструкцій для динамічних умов навантаження. Це може призвести до ще більш адаптивних і надійних 3D-друкованих матеріалів у різних галузях промисловості.
Інтеграція композитної хімії з ІІ-керованою структурною оптимізацією є значним кроком вперед в адитивному виробництві, пропонуючи проект наступного покоління матеріалів з адаптованими механічними характеристиками.
Цей синергетичний підхід, що поєднує молекулярний дизайн, контроль фотополімеризації та обчислювальну оптимізацію, встановлює новий стандарт для 3D-друкованих матеріалів.
Посилання: J. Nam, B. Chen, M. Kim, Machine Learning-Driven Grayscale Digital Light Processing для Mechanically Robust 3D-Printed Gradient Materials Advanced Materials (2025), DOI: 10.1002/adma.202504075
