查爾斯大學計算機圖形小組(CGG) 的研究人員開發了一種基于機器學習 (ML) 的技術，可以幫助釋放高保真彩色3D打印的潛力。通過不斷模擬打印過程，該團隊成功地訓練了一種算法，以迭代地找到限制顏色滲色和提高零件精度的最佳參數。該程序也非常高效，只需要一個 GPU，使其比類似的 AI 方法快 300 倍，同時將打印準備時間從幾十小時減少到幾分鐘。

使用團隊的新機器學習軟件創建的三色3D 打印模型。圖片來自查爾斯大學。

彩色3D打印的速度限制

目前，許多材料噴射(MJ) 3D 打印機能夠生產具有復雜顏色變化的零件，因此它們通常用于重建高度詳細的人工制品和手術模型。為了實現這一點，傳統的 MJ 系統使用紫外線來精確固化不同的半透明基色樹脂混合物，這種減法混合過程為它們提供了相當廣泛的調色板。

使用“蒙特卡羅”預測模型開發的合成數據集示例。圖片來自查爾斯大學。

另一種光散射模型

傳統上，預測紫外線傳播的方向涉及使用所謂的“蒙特卡羅”（MC）模擬模型。盡管此類方法通常很有效，但它們可能需要數小時才能完成，即使使用高端系統來生產非常小的物體，也會造成瓶頸，從而阻止復雜彩色零件的可擴展生產。為了解決這個問題，研究人員采用了一種數據驅動的方法，在該方法中，他們使用深度神經網絡來模擬減少樣本數量的產生，但代價是結果差異更大。盡管該團隊的改進循環導致了一些較低質量的預測，但對參考對象進行建模只需要 30 個小時，遠少于 MC 驅動軟件預計的 3,000 多個小時。

研究人員在他們的論文中總結道：“[我們的] 3D 打印管道在質量上與以前的工作相匹配，同時通常快 100 到 300 倍。盡管任何數據驅動模型的通用性有限，但該網絡可以很好地泛化到看不見的幾何形狀和材料值。這種穩健性為我們的實際部署提供了解決方案。”

機器學習驅動的AM 優化

僅在過去的12 個月中，ML 算法就發現了廣泛的 3D 打印應用。就在去年，數據專家 Senvol 與美國陸軍研究實驗室簽約，使用其專有的 ML 軟件作為開發靈活計劃的一種手段，以對 3D 打印導彈部件進行合格評定。在其他地方，阿貢國家實驗室和德克薩斯農工大學的研究人員使用實時溫度數據和機器學習軟件來實現先進的 3D 打印缺陷檢測。具體來說，科學家們已經能夠將零件的熱歷史與激光粉末床融合過程中亞表面缺陷的形成相關聯。