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
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.
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 :
Une pince robotique imprimée en 3D
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)
On est sans doute devant l’une des plus grandes églises imprimées en 3D dans le…
Des ingénieurs de l'université RMIT, à Melbourne, ont présenté une structure lattice en titane imprimée…
Les imprimantes 3D métal utilisant la fusion laser sur lit de poudre (LPBF) coûtent généralement…
À 21 ans, Alexis Aubert vient d'être sacré champion du monde en fabrication additive lors…
L’ISS vient d’envoyer sa cinquième pièce imprimée en 3D à bord du laboratoire Columbus. Il…
Pendant longtemps, la technologie Multi Jet Fusion a été réservée aux grands sites de production…
Ce site utilise des cookies anonymes de visite, en poursuivant vous acceptez leur utilisation.
Voir les commentaires
Approche interessante : le point cle me semble etre la constitution de la base de donnees, avec des melanges volontairement trop visqueux pour que le modele apprenne aussi les limites du systeme au lieu de rester dans le seul domaine imprimable. C'est souvent ce qui separe un modele purement interpolatif d'un modele capable de proposer des formulations reellement nouvelles - 33 formulations pour 4 ingredients constituent un plan d'experience assez serre, et c'est la que se joue la valeur. Reste a voir si la demarche se transpose aux autres photopolymeres (biocompatibles, ignifuges) sans devoir reconstruire un jeu de donnees complet a chaque famille de resine. L'allongement a la rupture superieur a 600 % sur une pince issue d'une machine DLP reste en tout cas un resultat parlant.