p Pesquisadores da Faculdade de Engenharia da Carnegie Mellon University desenvolveram uma nova abordagem para otimizar a impressão 3-D de material macio. O método Expert-Guided Optimization (EGO) dos pesquisadores combina a opinião especializada com um algoritmo de otimização que pesquisa de forma eficiente combinações de parâmetros relevantes para a impressão 3-D, permitindo a impressão de produtos de materiais leves de alta fidelidade. p Os pesquisadores, que incluem a autora principal Sara Abdollahi, um Ph.D. estudante de engenharia biomédica; Adam Feinberg, professor associado de engenharia biomédica e ciência e engenharia de materiais; Alex Davis, professor assistente de engenharia e políticas públicas; e o professor John Miller da Dietrich College of Humanities and Social Sciences - projetou o método EGO para otimizar impressões 3D de alta qualidade de materiais macios.

p Em seu jornal, "Otimização guiada por especialistas para impressão 3-D de materiais macios e líquidos, "que foi publicado recentemente em PLOS One , os pesquisadores demonstram o método EGO usando resina de elastômero polidimetilsiloxano (PDMS) líquida, um material frequentemente usado em sensores vestíveis e dispositivos médicos. Os pesquisadores usaram um método de impressão chamado freeform reversible embedding (FRE), em que os materiais macios são depositados dentro de um banho de suporte de gel.

p Quando se trata de materiais macios de impressão 3-D, muitos parâmetros podem afetar o produto final. A rapidez com que o cabeçote da impressora 3-D se move, a consistência do banho de gel em que o produto é impresso, e as concentrações de cada material na impressão são apenas algumas das variáveis ​​que podem afetar o produto final. Em cada impressão, pode haver dezenas de parâmetros a serem considerados, e muitas outras combinações possíveis deles.

p Um modelo de otimização típico ou projeto experimental enfocará alguns parâmetros que são considerados mais importantes para a impressão. Contudo, adaptar esses modelos de otimização para materiais experimentais, cujas características de impressão 3-D não são bem conhecidas, pode ser extremamente desafiador.

p "Ao imprimir termoplásticos 3-D, se você tem apenas cinco ou 10 parâmetros de impressão principais e deseja explorar, dizer, cinco níveis de cada, um projeto fatorial pode resultar em milhões de combinações possíveis de configurações para imprimir, "diz Abdollahi." As combinações tornam-se ainda mais assustadoras quando se explora um material experimental cujas características de impressão são desconhecidas. Por exemplo, se o material experimental tiver 20 parâmetros de impressão com cinco níveis, o experimentador pode ter trilhões de combinações de configurações de impressão para explorar. "

p Contudo, com o modelo EGO, este desafio pode se tornar um obstáculo menor porque os especialistas são capazes de descartar muitas combinações como sendo ineficazes. Ao combinar o julgamento científico de um especialista com algoritmos de pesquisa eficientes, O EGO reduz significativamente o tempo e a energia necessários para encontrar combinações que rendam impressões 3D ideais para materiais experimentais.

p "O objetivo do EGO é criar um algoritmo de pesquisa eficaz que combine explicitamente o conhecimento especializado e os algoritmos de pesquisa tradicionais, "diz Davis." Normalmente pensamos que o aprendizado de máquina é útil para big data, mas o EGO funciona em situações em que temos poucos ou nenhum dado e precisamos confiar na opinião de especialistas, em seguida, por meio de uma combinação de algoritmos de pesquisa e o conhecimento do especialista, transição eficaz de dados pequenos para grandes. "

p O modelo EGO é composto de três etapas. Primeiro, um especialista humano seleciona o conjunto inicial de parâmetros, fornecendo ao algoritmo os limites para pesquisa. Então, um algoritmo de escalada procura dentro desses limites por combinações promissoras desses parâmetros, resultando em um "ótimo local". Finalmente, o especialista avalia o ótimo local e decide se deve alterar o processo de pesquisa adicionando novos parâmetros, ou continue a pesquisar dentro dos limites existentes. O processo itera até que uma solução ideal seja encontrada.

p O método EGO, que pode se estender além da impressão 3-D de materiais macios para uma variedade de processos de engenharia, tem grande potencial como uma ferramenta sistemática para descobrir os parâmetros-chave que produzem reproduzíveis, alta qualidade, materiais novos.