通過機器學習技術(shù)開發(fā)3D打印材料，有望拓寬回收塑料新用途

導讀：伴隨著當下對更復雜和多功能3D打印產(chǎn)品需求的不斷增加,，人們在探索增材制造新材料適用性的道路上也越走越寬。

南極熊獲悉,，為了開發(fā)出更多可兼容的3D打印材料,，達卡工程技術(shù)大學的研究人員嘗試利用機器學習技術(shù)對6種不同的3D打印用納米顆粒填充塑料材料進行了分析和研究。這六種新的長絲是針對FFF 3D打印工藝設(shè)計的,，由回收的塑料和納米顆粒組合而成,，其中兩種材料使用了石墨烯涂層。

在研究過程中,，該團隊評估和對比了材料的特性,，包括微觀結(jié)構(gòu)、表面紋理,、機械行為和熱特性,。在機器學習技術(shù)的幫助下，研究人員能夠?qū)�給定的3D打印產(chǎn)品的打印參數(shù)進行關(guān)聯(lián),，以實現(xiàn)更可靠和更強的機械和物理性能,。

△a.PLA和HDPE，b. PLA,、HDPE和TiO2,，c. 再生塑料、PLA和HDPE,，d. 再生塑料,、PLA、HDPE和TiO2的顆�,；旌衔�,。圖片來自Polymer Testing。

FFF的工藝參數(shù)

在這項研究中,，研究人員專注于FFF工藝,，其中熔體和擠壓壓力的動態(tài)平衡以及與溫度相關(guān)的聚合物流變學等因素對于實現(xiàn)最佳的3D打印部件至關(guān)重要。FFF打印部件的尺寸精度,、表面光潔度和機械性會受到使用長絲的性能和質(zhì)量以及相鄰長絲之間粘合特性的顯著影響,。

因此,，科學家們認為，為了優(yōu)化FFF打印的部件,，了解各種工藝參數(shù)設(shè)置如何影響部件的機械性能至關(guān)重要,，其中最關(guān)鍵的是拉伸、壓縮,、彎曲或沖擊強度以及打印方向,。

△a.PLA和HDPE，b. PLA和HDPE,，c. PLA,、HDPE和TiO2,，d. 再生塑料,、PLA和HDPE，e. 再生塑料,、PLA和HDPE,，f. 再生塑料、PLA,、HDPE和TiO2混合擠出的長絲,。圖片來自Polymer Testing。

用機器學習設(shè)計新的3D打印絲材

這項研究的主要目的是探索與市售產(chǎn)品相比,，如何尋求更可靠,、更豐富的3D打印部件的強大機械和物理性能，研究人員希望該研究的發(fā)現(xiàn)和應(yīng)用能夠為開發(fā)各種行業(yè)相關(guān)工藝做出貢獻,。

研究小組開發(fā)了六種含有PLA,、HDPE、回收長絲材料和氧化鈦（TiO2）納米顆粒的新長絲,，使用市面上的FFF 3D打印機和長絲擠出機生產(chǎn)3D打印部件,。

其中的兩種長絲材料中包含了用作疏水涂層的石墨烯，這樣可以最大限度地改變最終部件的原始機械性能,，并且只處理部件的表面,。

對于每種材料，都是使用機器學習技術(shù)來預測噴嘴溫度,，而打印床溫度和打印速度也由該團隊的機器學習程序決定,。研究人員表示，F(xiàn)FF打印產(chǎn)品的質(zhì)量直接取決于所使用材料的流動性,，而這是由準確的噴嘴溫度所保證的,。

△a.3D的模型圖像，b. 45度的打印方向,。圖片來自PolymerTesting,。

研究人員通過python平臺創(chuàng)建機器學習程序,，該程序采用線性回歸算法來建立相對的數(shù)據(jù)點。還應(yīng)用了一個培訓/測試功能來衡量機器學習模型的適用性,，它將數(shù)據(jù)分為訓練集和測試集,。這個函數(shù)能夠幫助團隊對比理論上的最佳擬合值，更直觀地看到模型的完成程度,。

當測試數(shù)據(jù)與訓練數(shù)據(jù)集吻合時,，該模型被宣布有效，這意味著預測的噴嘴溫度足以打印樣品,。正如機器學習程序所建議的那樣,，由納米顆粒和再生塑料組成的材料的噴嘴溫度最高，而當打印機的床身溫度處于最高水平時,，打印速度處于最小范圍,。

在打印完成后，對這些材料進行拉伸強度,、伸長率,、硬度和熱重分析（TGA）測試，以及其他一些測試,，以評估打印樣品的優(yōu)化性能,。

△a.SolidWorks模型，b. FFF 3D打印機,，c. 打印的試樣,。圖片來自Polymer Testing。

研究人員的最終目的是將機器學習算法作為一種手段部署,，使FFF打印的零件與傳統(tǒng)的3D打印零件相比,，具有更可靠和更強的機械和物理特性。展望未來,，研究人員認為該研究的結(jié)果將為工業(yè)相關(guān)的增材制造工藝的各種改進鋪平道路,。

△用于3D打印機的ML工藝優(yōu)化模型驗證。圖片來自Polymer Testing,。

該研究的更多信息可以在《聚合物測試》雜志上發(fā)表的題為："Developmentand analysis of nanoparticle infused plastic products manufactured by machinelearning guided 3D printer"的論文中找到,。該研究由M. Hossain、M. Chowdhury,、M. Zahid,、C. Sakib-Uz-Zaman、M. Rahaman和M. Kowser共同撰寫,。

3D打印中的機器學習

機器學習的預測能力在3D打印的許多方面得到越來越多的利用,，以改善工藝和材料開發(fā)。

阿貢國家實驗室和德克薩斯A&M大學之前已經(jīng)利用機器學習技術(shù)更有效地檢測3D打印部件的缺陷,，紐約大學坦登工程學院也曾利用機器學習技術(shù)對玻璃和碳纖維3D打印部件進行逆向工程,。

在材料開發(fā)方面,，斯威本科技大學使用機器學習工具來改進3D打印建筑材料的性能，劍橋大學分拆出來的Intellegens開發(fā)了一種新的機器學習算法,，用于設(shè)計增材制造的新材料,。

近來，來自利哈伊大學的研究人員也提出了一種新的機器學習方法,，可以根據(jù)材料的結(jié)構(gòu)相似性將其完成分類,。