Parte do apelo inicial da impressão 3D como hobby estava em experimentar todos os ajustes possíveis com as dezenas de configurações, tanto no software quanto no hardware, que afetavam a peça final impressa. Mais tarde, as pessoas, especialmente os profissionais, queriam apertar um botão e obter uma peça sem ter que se preocupar com os detalhes finos da altura da camada, preenchimento, velocidade, temperatura, taxa de fluxo e o longo menu de parâmetros de impressão ajustáveis.
Hoje, podemos estar à beira do próximo passo: uma inteligência artificial que imprime em 3D, depois aprende com o processo para, então, imprimir melhor em 3D em seguida.
Inúmeras pesquisas estão em andamento, mas uma delas, publicada recentemente na revista científica Advanced Materials Technologies, mostra como um algoritmo aprendeu a identificar a melhor versão de um modelo anatômico impresso em 3D imprimindo 60 versões continuamente aprimoradas.
Este estudo da Universidade Estadual de Washington pode levar a um uso mais contínuo da impressão 3D para projetos complexos. O que diferencia este estudo de outros aplicativos de impressão 3D com IA é que ele pôde equilibrar um conjunto de determinados parâmetros para uma impressão ideal, em vez de se concentrar na correção de apenas um aspecto, como geometria, defeitos ou velocidade.
“Apesar do rápido surgimento de novas aplicações na impressão 3D, o processo de seleção de parâmetros apropriados para a impressão 3D continua sendo um processo trabalhoso e ineficiente”, observa o relatório do estudo.
O método de tentativa e erro de desenvolvimento de parâmetros de impressão é um desperdício, enquanto que, sob o ponto de vista do design assistido por computador (CAD), a avaliação de várias configurações de projeto de impressão 3D normalmente envolve software e cálculos de simulação complexos, muitas vezes caros. Ainda a considerar que pode haver um longo processo de verificação de testes de laboratório para testar as propriedades mecânicas das peças finais impressas em 3D, incluindo porosidade e resistência ao escoamento. Além disso, as configurações ideais variam dependendo do que se pretende obter, seja um protótipo de alto detalhe ou uma peça final para motor.
Segundo os pesquisadores da Universidade Estadual de Washington, o novo algoritmo tem o potencial de levar em conta vários aspectos do desenvolvimento e produção de peças.
“Os métodos existentes para otimizar os parâmetros de impressão 3D… muitas vezes se concentram em otimizar o desempenho geral da impressão ou se concentram em um aspecto específico da qualidade da impressão”, observa o relatório. “Esses métodos dependem principalmente de dados experimentais vindos de configurações de impressão 3D anteriores tendem a ignorar variações na qualidade de impressão devido a diferenças nas abordagens de impressão, tipos de materiais e geometrias de objetos, concentrando-se em apenas um desses aspectos.”
Como exemplo, os pesquisadores observam que os dados das configurações de impressão 3D para um objeto cúbico não podem ser facilmente aplicados à impressão 3D de um esférico devido às diferenças significativas nas configurações dos parâmetros de impressão. Consequentemente, há a necessidade de um algoritmo de uso geral capaz de identificar configurações de impressão 3D ideais para alcançar a melhor qualidade possível do objeto impresso, independentemente do tipo de impressão, material ou formato específico.
As aplicações atuais de aprendizagem de máquina para impressão 3D empregam um algoritmo de otimização de objetivo único para atributos individuais, como geometria ou porosidade. Por exemplo, um conjunto de entradas de impressão para otimizar a velocidade comprometerá a geometria, uma vez que cada propriedade afeta indiretamente a outra.
O estudo da Universidade Estadual de Washington, por outro lado, usa IA para considerar vários critérios de entrada e saída para otimizar o processo de impressão 3D. Ao se concentrar em um tipo de aprendizagem de máquina chamada Otimização Bayesiana (OB), os pesquisadores desenvolveram um método que permitiu a visualização de contrapartidas entre cada conjunto de entradas de impressão em termos dos objetivos de saída. Os resultados foram valores aprimorados em todas as áreas de saída a cada vez que a impressão foi reproduzida.
Embora o objetivo do estudo fosse determinar a configuração ideal especificamente para modelos de órgãos pré-cirúrgicos, os pesquisadores afirmam que o algoritmo é amplamente generalizável, “capaz de se adaptar a vários materiais e alcançar resultados em outras áreas sem extensas modificações no algoritmo central.”
O desenvolvimento de um algoritmo de aprendizagem de máquina de uso geral capaz de identificar rapidamente as configurações ideais de impressão 3D, sem dúvida, economizará tempo e custo de fabricação, reduzirá a intensidade do trabalho e melhorará a qualidade dos objetos impressos em 3D.
É claro que ainda não chegamos lá, mas, uma vez que chegarmos, o efeito na indústria de manufatura aditiva provavelmente será transformador.
Licença: O texto "Algoritmos de IA chegam para substituir os infindáveis ajustes de impressão 3D", da All3DP Pro, é licenciado pela licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0)