EGO-Methode: Optimierung von 3D-Druck mit weichen und flüssigen Materialien

Forscher der Carnegie Mellon University nutzen deren eigens entwickelte Expert-Guided Optimization-Methode (EGO-Methode), um qualitativ hochwertige, weiche sowie auch flüssige Materialien für den 3D-Druck zu optimieren.

Eine der größten Schwierigkeiten beim 3D-Druck ist es, die richtigen Materialien zu finden. Und selbst wenn man diese gefunden hat, sind oft nicht alle nötigen Parameter vorhanden, um einen perfekten 3D-Druck hervorzubringen. Speziell wenn es sich um weiche oder gar flüssige Materialien handelt, kann es schwierig sein die richtigen Einstellungen und Vorkehrungen zu treffen.

Sehr oft werden beim 3D-Druck mit weichen Filamenten nur die nötigsten Parameter berücksichtigt, während wesentliche Faktoren wie die Konsistenz des Geldbandes, die 3D-Druckkopfbewegung oder die Konzentration des Material manchmal auf der Strecke bleiben.

Die Carnegie Mellon University (CMU) experimentiert und beschäftigt sich schon seit einiger Zeit diversesten Filamenten und deren Eigenschaften. Um vor allem weiche und flüssige Materialien für den 3D-Druck zu optimieren und wichtige Eigenschaften zu filtern, entwickelten Forscher des College of Engineering der Universität nun eine Methode namens Expert-Guided-Optimization.

“Wenn 3D-Druck-Thermoplaste nur fünf oder zehn Hauptdruckparameter haben und [Sie] beispielsweise fünf Ebenen untersuchen möchten, kann ein faktorieller Entwurf Millionen von möglichen Kombinationen von Einstellungen zum Drucken ergeben. Die Kombinationen werden noch entmutigender, wenn man ein experimentelles Material erforscht, dessen Druckeigenschaften unbekannt sind “, sagte Sara Abdollahi, eine CMU-Biomedizintechnik-Doktorandin. “Wenn das experimentelle Material zum Beispiel 20 Druckparameter mit fünf Stufen hat, kann der Experimentator Billionen von Kombinationen von Druckeinstellungen haben, die es zu erforschen gilt.”

Um diese Methode zu demonstrieren, nutze das Forscherteam flüssigen Polydimethylsiloxan (PDMS) -Elastomerharz. Weiters kommt bei diesen Experimenten ein 3D-Druckverfahren mit dem Namen Freiform-Reversible-Einbettung (FRE) zum Einsatz, bei welchem Materialien in einem Gelträgerband abgelagert werden.

In dem Magazin PLOS One wurde diese Forschungsarbeit, geleitet von Abdollahi, Assistant Professor für Technik und Public Policy, Alexander Davis, CMU Dietrich College für Geistes- und Sozialwissenschaften, Professor John H. Miller, und Adam Feinberg, Associate Professor für Biomedizinische Technik und Materialwissenschaften und Engineering, bereits unter dem Titel “Expert-guided optimization for 3D printing of soft and liquid materials” publiziert.

Ein Auszug dieses Artikels verrät mehr über die EGO-Methode:

“Hier haben wir eine Expert-Guided Optimization (EGO) -Strategie entwickelt, um den 3D-Druck von flüssigem Polydimethylsiloxan (PDMS) -Harz zu strukturieren und zu verbessern. EGO verwendet drei Schritte, beginnend mit Experten-Screening, um Parameterraum, Faktoren und Faktorstufen auszuwählen. Der zweite ist ein Hill-Climbing-Algorithmus, um den vom Experten definierten Parameterraum nach dem besten Parametersatz zu durchsuchen. Drittens ist die Entscheidung von Experten, neue Faktoren oder einen neuen Parameterraum zu testen, um die beste aktuelle Lösung zu verbessern. Wir haben den Algorithmus auf zwei Kalibrierungsobjekte angewendet, einen Hohlzylinder und einen fünfseitigen Hohlwürfel, die basierend auf einem Mehrfaktoren-Bewertungssystem bewertet wurden. Die optimalen Druckeinstellungen wurden dann verwendet, um komplexe PDMS- und Epoxy-3D-Objekte zu drucken, einschließlich einer verdrehten Vase, Wassertropfen, Zeh und Ohr, mit einer bisher nicht erreichten Detailgenauigkeit und Wiedergabetreue.”

Die Kombination aus fachlicher Expertenbeurteilung, einem effizienten Optimierungsalgorithmus sowie einem hochauflösenden 3D-Drucker machen die EGO-Methode aus. Neben der Forschung zur Optimierung von weichen und flüssigen Filamenten kann dieses Verfahren ebenso ausgedehnt und auf mehrere technische Prozesse angewendet werden.

“Der Zweck von EGO ist es, einen effektiven Suchalgorithmus zu schaffen, der sowohl Expertenwissen als auch traditionelle Suchalgorithmen explizit kombiniert. Normalerweise denken wir, dass maschinelles Lernen für große Daten nützlich ist, aber EGO funktioniert in Situationen, in denen wir wenig oder keine Daten haben und auf Expertenbeurteilungen angewiesen sind. Durch eine Kombination von Suchalgorithmen und Expertenwissen wird ein Übergang von kleinen zu großen Daten möglich.”