Производственные инновации для профессионалов

Новая система учится оптимизировать материалы для 3D-печати

Растущая популярность 3D-печати по изготовлению всевозможных предметов, от индивидуальных медицинских изделий до жилых домов по приемлемой цене, создала больший спрос на новые материалы для 3D-печати, предназначенные для очень специфических сфер применения. Чтобы сократить время, необходимое для открытия этих новых материалов, исследователи из Массачусетского технологического института (MIT) разработали процесс на основе данных, в котором применяется машинное обучение для оптимизации новых материалов для 3D-печати с разнообразными характеристиками, такими как жесткость и прочность на сжатие.

Данный новый метод машинного обучения упрощает разработку материалов, вследствие чего снижаются затраты и уменьшается воздействие на окружающую среду за счет снижения объемов химических отходов. Он также является мощным стимулом развития инноваций, в результате которых разрабатываются материалы с уникальным химическим составом, которые человек, даже на интуитивном уровне, может пропустить.

«Разработка материалов по-прежнему выполняется в большинстве случаев вручную. Химик идет в лабораторию, вручную смешивает ингредиенты, подготавливает образцы, испытывает их и находит окончательное решение. Однако вместо того, чтобы привлекать к работе химика, который может сделать только пару вариантов в течение нескольких дней, наша система может выполнять сотни операций за один и тот же промежуток времени», – говорит Майк Фоши (Mike Foshey), инженер-механик и руководитель проекта группы машинного проектирования и производства (CDFG) Лаборатории информатики и искусственного интеллекта (CSAIL) и соавтор статьи по данной работе в интервью сотрудникам журнала Science Advances (научный журнал Американской ассоциации содействия развитию науки).

В системе, разработанной исследователями, алгоритм оптимизации выполняет большую часть процесса обнаружения методом проб и ошибок. Разработчик материала отбирает несколько ингредиентов, вводит подробную информацию об их химическом составе в алгоритм и определяет механические свойства, которые должен иметь новый материал. Затем алгоритм увеличивает и уменьшает количество этих компонентов (например, поворотом ручек регулировки на усилителе) и проверяет степень влияния каждого состава на свойства материала, прежде чем найти идеальную комбинацию.

Затем разработчик смешивает, обрабатывает и тестирует этот образец, чтобы выяснить, как материал на самом деле работает. Разработчик  вводит результаты в алгоритм, который автоматически обучается на результатах эксперимента и использует новую информацию, чтобы выбрать другой состав для тестирования.

«Мы думаем, что в некоторых сферах применения данный алгоритм превосходит традиционный метод, потому что в поисках оптимального решения можно в большей степени полагаться на алгоритм оптимизации», – продолжает Фоши. «Для предварительного выбора состава материалов Вам не нужен опытный химик».

Исследователи создали бесплатную платформу оптимизации материалов с открытым исходным кодом под названием AutoOED, в которую интегрирован тот же алгоритм оптимизации. AutoOED – это полный программный пакет, который также позволяет исследователям проводить собственную оптимизацию.

Исследователи протестировали систему для оптимизации составов новой краски для 3D-печати, которая затвердевает под воздействием ультрафиолетового света. Они выявили шесть химических веществ, которые можно использовать в составах, и поставили перед алгоритмом цель выявить наиболее эффективный материал с точки зрения ударной вязкости, модуля сжатия (жесткости) и прочности.

Максимизация этих трех свойств вручную была бы чрезвычайно сложной задачей, поскольку они могут вступать в конфликт друг с другом: например, самый прочный материал может оказаться не самым жестким. Используя ручной метод, химик обычно пытается максимизировать одно свойство за раз, что приводит к необходимости проводить множество экспериментов и большому количеству потерь. С другой стороны, при применении алгоритма были получены 12 лучших материалов с оптимальным соотношением трех различных свойств после испытаний всего 120 образцов.

Фоши и его сотрудники были удивлены широким разнообразием материалов, которые алгоритм смог создать, и говорят, что получили гораздо более разнообразные результаты, чем они ожидали, на основании шести ингредиентов. Система поощряет исследования, которые могут быть особенно полезны в таких ситуациях, когда определенные свойства материала не могут быть легко выявлены интуитивно.

Процесс можно было бы еще больше ускорить за счет применения дополнительной автоматизации. Исследователи смешивали и тестировали каждый образец вручную, но в будущих версиях системы управлять системами дозирования и смешивания могли бы роботы. В дальнейшем исследователи также хотели бы протестировать этот процесс выявления, основанный на данных, не только для разработки новых красок для 3D-печати.

«Он может использоваться в различных сферах применения в материаловедении в целом», – заявляет Фоши. «Например, вы можете использовать подобную систему, если вы хотите разработать новые типы батарей с более высокой эффективностью и меньшей стоимостью. Или, при необходимости оптимизировать краску для автомобиля, которая хорошо себя зарекомендовала и была экологически безопасной, данная система тоже могла бы это сделать».

Данный текст взят из материалов института MIT. Правки выполнены редактором Materials Today. Выражаемые в настоящей статье взгляды не обязательно совпадают с мнением издательства Elsevier. 

 

Поделиться

Заметили ошибку? Сообщите нам: выделите текст и нажмите Ctrl+Enter
This site is protected by reCAPTCHA and the Google Privacy Policy andTerms of Service apply.