Grâce à l’IA, une résine 3D s’étire jusqu’à 6 fois sa longueur sans casser

A-t-on trouvé un moyen rapide et efficace pour développer de nouvelles résines pour l’impression 3D par photopolymérisation ? Une équipe de chercheurs coréens a mis au point une méthode assistée par intelligence artificielle (IA) pour concevoir des matériaux élastiques de façon plus optimale.

Ces résines présentent une viscosité compatible avec la fabrication additive ainsi qu’un allongement à la rupture supérieur à 600 %. Plusieurs pièces ont été imprimées en 3D comme une pince robotique capable de soulever une bouteille de un kilo ou encore de porter un œuf sans l’abîmer.

Schéma du processus d’optimisation des résines 3D guidée par le machine learning

Pourquoi on en parle

L’impression 3D résine fait partie des procédés les plus employés sur le marché de la fabrication additive. Les résines développées pour répondre aux exigences des machines DLP garantissent l’imprimabilité des pièces et une stabilité opérationnelle mais présentent des limites en termes de propriétés.

Il existe de multiples photopolymères qui affichent une meilleure résistance mécanique, une biocompatibilité, une résistance au feu, ou encore un allongement très important. Le problème est qu’ils sont très difficiles à imprimer sur ces machines DLP, alors même qu’ils pourraient être utilisés en robotique souple, un secteur en pleine expansion.

Trouver un moyen d’imprimer ces résines serait donc très intéressant. On aurait accès à une famille de photopolymères beaucoup plus large, élargissant ainsi les capacités fonctionnelles de l’impression 3D résine, plus particulièrement DLP.

Comment les chercheurs ont-ils procédé ?

Au lieu de passer par une méthode d’expérimentation par essais et erreurs, souvent inefficace et de portée limitée, les chercheurs coréens ont eu recours à l’intelligence artificielle. Une méthode en 3 étapes :

• Constitution d’une base de données : les chercheurs ont testé 33 formulations différentes combinant 4 ingrédients chimiques. L’idée est de varier leurs proportions, même des mélanges trop visqueux afin que le modèle puisse aussi déceler les limites du système.
• Ils ont ensuite entraîné leur modèle prédictif : l’algorithme a appris à prédire, à partir de la formulation, la viscosité, le temps de durcissement et les propriétés de la résine finale.
• Optimisation : le modèle a alors cherché le meilleur compromis entre facilité d’impression et haute élasticité.

Une pince robotique imprimée en 3D

Les résultats obtenus

Selon les chercheurs, l’IA leur a permis d’obtenir une résine dont la viscosité est bien plus élevée tout en restant compatible avec une imprimante 3D classique. Elle offre également un allongement à la rupture supérieur à 600 % ce qui est largement au-dessus des résines actuellement disponibles sur le marché.

Afin de tester les performances de cette résine, l’équipe a imprimé en 3D plusieurs pièces dont une pince robotique souple capable de soulever plusieurs objets comme une bouteille en verre, un oeuf, une souris d’ordinateur ou encore une bouteille d’un kilo. Plusieurs actionneurs pneumatiques ont également été fabriqués.

L’un des auteurs du papier de recherche, le professeur Seungchul Lee, conclut :

Cette recherche est importante car elle montre que la combinaison des données expérimentales des chercheurs et de l’intelligence artificielle permet d’identifier efficacement des combinaisons de matériaux optimales qui étaient auparavant difficiles à trouver. Nous espérons qu’elle permettra de développer plus rapidement des matériaux d’impression 3D offrant les performances requises dans divers domaines, notamment les robots souples, les appareils portables et les dispositifs médicaux sur mesure. »

Pour en savoir plus sur le travail de cette équipe, retrouvez l’ensemble du papier ICI. Que pensez-vous de l’utilisation de l’IA pour développer de nouveaux matériaux d’impression 3D ? Partagez votre avis dans les commentaires de l’article. Retrouvez toutes nos vidéos sur notre chaîne YouTube ou suivez-nous sur Facebook ou LinkedIn !

*Crédits de toutes les photos : Song, Y., Park, B., Jeon, S. et al. Machine learning guided formulation design of digital light processing printable elastomers beyond viscosity stretchability tradeoff. Nat Commun 17, 7167 (2026)