MIT identifiziert dank Machine Learning neue 3D-Drucker-Materialien
Artificial Intelligence (Künstliche Intelligenz) und insbesondere Machine Learning (maschinelles Lernen) wird immer häufiger in verschiedenen Anwendungen für die additive Fertigung integriert. In diesem Fall haben Forscher des MIT die datengesteuerte Natur maschinellen Lernens genutzt, um die Forschung nach neuen 3D-Drucker-Materialien zu automatisieren. Mithilfe von Machine Learning wurden bestimmte Leistungsfaktoren der Materialien wie die Zähigkeit und Druckfestigkeit mit einem Algorithmus optimiert – herkömmliche Methoden zur Formulierung der Materialien konnten so schnell übertroffen werden. Das Ergebnis der Studie ist eine kostenlose, quelloffene Materialoptimierungsplattform namens AutoOED, die es anderen Forschern ermöglichen soll, selbst Materialoptimierungen mit Hilfe der Künstlichen Intelligenz durchzuführen.
Der Algorithmus ist dazu in der Lage neue chemische Formulierungen vorzuschlagen, die von einem Menschen wahrscheinlich so nicht in Betracht gezogen worden wäre. „Die Materialentwicklung stellt immer noch einen sehr manuellen Prozess dar. Ein Chemiker geht in ein Labor, mischt die Zutaten per Hand, stellt Proben her, testet diese und kommt schließlich zur endgültigen Formulierung. Aber anstelle des Chemikers, der nur ein paar Iterationen innerhalb eines Zeitraums mehrerer Tage durchführen kann, kann unser System Hunderte von Iterationen in der gleichen Zeitspanne durchführen“, erklärt Mike Foshey, Mitautor der Studie, Maschinenbauingenieur und Projektleiter in der Computational Design and Fabrication Group (CDFG) des Computer Science and Artificial Intelligence Laboratory (CSAIL).
Mit Machine Learning zu optimierten 3D-Drucker-Materialien
Es wurden im Rahmen der Forschungsarbeit sechs Chemikalien für die Formulierungen ermittelt, anschließend wurde das Ziel für den Algorithmus definiert, die Materialformulierung zu finden, die in puncto Zähigkeit, Steifigkeit und Festigkeit am besten geeignet ist. Wenn es um die Automatisierung des Materialfindungsprozesses geht, so können mit dieser Methode des MIT die einzelnen Schritte der Dosierung, dem Mischen, 3D-Drucken, der Nachbearbeitung und des Testens gänzlich ohne menschliches Zutun durchgeführt werden. Allerdings bedarf es einem manuellen Eingriff, um die Materialien zwischen den verschiedenen Schritten bei der Probenherstellung zu transferieren – Foshey glaubt jedoch, dass auch dieser Schritt in zukünftigen Versionen des Systems von einem Roboter übernommen werden könnte, um den Prozess vollständig zu automatisieren. Nachdem 120 Rezepturen getestet wurden, konnten 12 optimierte Rezepturen ermittelt werden. Die Forscher kommen außerdem zu der Konklusion, dass ihre Forschungsmethodik allgemein für Prozesse des Materialdesigns genutzt werden kann, damit die automatisierte Identifizierung auch für andere Materialwissenschaften gelingt.
Die zuvor erwähnte AutoOED-Plattform arbeitet mit dem Optimierungsalgorithmus aus der Studie und ist derzeit als Softwarepaket erhältlich. Die Studie wurde vom deutschen Unternehmen BASF, dem größten Chemieproduzenten der Welt, unterstützt. Weitere Informationen zur Forschung sowie über die definierten 3D-Druck Materialien finden Sie HIER.
Bild: ThisisEngineering / Unsplash
Kennen Sie weitere Innovationen für den 3D-Druck dank Machine Learning? Lassen Sie uns dazu einen Kommentar da, oder teilen Sie es uns auf Facebook, Twitter, LinkedIN oder Xing mit. Möchten Sie außerdem eine Zusammenfassung der wichtigsten Neuigkeiten im 3D-Druck und der Additiven Fertigung direkt und bequem in Ihr Postfach erhalten? Dann registrieren Sie sich jetzt für unseren wöchentlichen Newsletter.
