通过机器学习技术开发3D打印材料，有望拓宽回收塑料新用途

导读：伴随着当下对更复杂和多功能3D打印产品需求的不断增加，人们在探索增材制造新材料适用性的道路上也越走越宽。

南极熊获悉，为了开发出更多可兼容的3D打印材料，达卡工程技术大学的研究人员尝试利用机器学习技术对6种不同的3D打印用纳米颗粒填充塑料材料进行了分析和研究。这六种新的长丝是针对FFF 3D打印工艺设计的，由回收的塑料和纳米颗粒组合而成，其中两种材料使用了石墨烯涂层。

在研究过程中，该团队评估和对比了材料的特性，包括微观结构、表面纹理、机械行为和热特性。在机器学习技术的帮助下，研究人员能够对给定的3D打印产品的打印参数进行关联，以实现更可靠和更强的机械和物理性能。

△a.PLA和HDPE，b. PLA、HDPE和TiO2，c. 再生塑料、PLA和HDPE，d. 再生塑料、PLA、HDPE和TiO2的颗粒混合物。图片来自Polymer Testing。

FFF的工艺参数

在这项研究中，研究人员专注于FFF工艺，其中熔体和挤压压力的动态平衡以及与温度相关的聚合物流变学等因素对于实现最佳的3D打印部件至关重要。FFF打印部件的尺寸精度、表面光洁度和机械性会受到使用长丝的性能和质量以及相邻长丝之间粘合特性的显著影响。

因此，科学家们认为，为了优化FFF打印的部件，了解各种工艺参数设置如何影响部件的机械性能至关重要，其中最关键的是拉伸、压缩、弯曲或冲击强度以及打印方向。

△a.PLA和HDPE，b. PLA和HDPE，c. PLA、HDPE和TiO2，d. 再生塑料、PLA和HDPE，e. 再生塑料、PLA和HDPE，f. 再生塑料、PLA、HDPE和TiO2混合挤出的长丝。图片来自Polymer Testing。

用机器学习设计新的3D打印丝材

这项研究的主要目的是探索与市售产品相比，如何寻求更可靠、更丰富的3D打印部件的强大机械和物理性能，研究人员希望该研究的发现和应用能够为开发各种行业相关工艺做出贡献。

研究小组开发了六种含有PLA、HDPE、回收长丝材料和氧化钛（TiO2）纳米颗粒的新长丝，使用市面上的FFF 3D打印机和长丝挤出机生产3D打印部件。

其中的两种长丝材料中包含了用作疏水涂层的石墨烯，这样可以最大限度地改变最终部件的原始机械性能，并且只处理部件的表面。

对于每种材料，都是使用机器学习技术来预测喷嘴温度，而打印床温度和打印速度也由该团队的机器学习程序决定。研究人员表示，FFF打印产品的质量直接取决于所使用材料的流动性，而这是由准确的喷嘴温度所保证的。

△a.3D的模型图像，b. 45度的打印方向。图片来自PolymerTesting。

研究人员通过python平台创建机器学习程序，该程序采用线性回归算法来建立相对的数据点。还应用了一个培训/测试功能来衡量机器学习模型的适用性，它将数据分为训练集和测试集。这个函数能够帮助团队对比理论上的最佳拟合值，更直观地看到模型的完成程度。

当测试数据与训练数据集吻合时，该模型被宣布有效，这意味着预测的喷嘴温度足以打印样品。正如机器学习程序所建议的那样，由纳米颗粒和再生塑料组成的材料的喷嘴温度最高，而当打印机的床身温度处于最高水平时，打印速度处于最小范围。

在打印完成后，对这些材料进行拉伸强度、伸长率、硬度和热重分析（TGA）测试，以及其他一些测试，以评估打印样品的优化性能。

△a.SolidWorks模型，b. FFF 3D打印机，c. 打印的试样。图片来自Polymer Testing。

研究人员的最终目的是将机器学习算法作为一种手段部署，使FFF打印的零件与传统的3D打印零件相比，具有更可靠和更强的机械和物理特性。展望未来，研究人员认为该研究的结果将为工业相关的增材制造工艺的各种改进铺平道路。

△用于3D打印机的ML工艺优化模型验证。图片来自Polymer Testing。

该研究的更多信息可以在《聚合物测试》杂志上发表的题为："Developmentand analysis of nanoparticle infused plastic products manufactured by machinelearning guided 3D printer"的论文中找到。该研究由M. Hossain、M. Chowdhury、M. Zahid、C. Sakib-Uz-Zaman、M. Rahaman和M. Kowser共同撰写。

3D打印中的机器学习

机器学习的预测能力在3D打印的许多方面得到越来越多的利用，以改善工艺和材料开发。

阿贡国家实验室和德克萨斯A&M大学之前已经利用机器学习技术更有效地检测3D打印部件的缺陷，纽约大学坦登工程学院也曾利用机器学习技术对玻璃和碳纤维3D打印部件进行逆向工程。

在材料开发方面，斯威本科技大学使用机器学习工具来改进3D打印建筑材料的性能，剑桥大学分拆出来的Intellegens开发了一种新的机器学习算法，用于设计增材制造的新材料。

近来，来自利哈伊大学的研究人员也提出了一种新的机器学习方法，可以根据材料的结构相似性将其完成分类。