彩色3D打印的速度限制

查尔斯大学计算机图形小组(CGG) 的研究人员开发了一种基于机器学习 (ML) 的技术，可以帮助释放高保真彩色3D打印的潜力。通过不断模拟打印过程，该团队成功地训练了一种算法，以迭代地找到限制颜色渗色和提高零件精度的最佳参数。该程序也非常高效，只需要一个 GPU，使其比类似的 AI 方法快 300 倍，同时将打印准备时间从几十小时减少到几分钟。

使用团队的新机器学习软件创建的三色3D 打印模型。图片来自查尔斯大学。

彩色3D打印的速度限制

目前，许多材料喷射(MJ) 3D 打印机能够生产具有复杂颜色变化的零件，因此它们通常用于重建高度详细的人工制品和手术模型。为了实现这一点，传统的 MJ 系统使用紫外线来精确固化不同的半透明基色树脂混合物，这种减法混合过程为它们提供了相当广泛的调色板。

使用“蒙特卡罗”预测模型开发的合成数据集示例。图片来自查尔斯大学。

另一种光散射模型

传统上，预测紫外线传播的方向涉及使用所谓的“蒙特卡罗”（MC）模拟模型。尽管此类方法通常很有效，但它们可能需要数小时才能完成，即使使用高端系统来生产非常小的物体，也会造成瓶颈，从而阻止复杂彩色零件的可扩展生产。为了解决这个问题，研究人员采用了一种数据驱动的方法，在该方法中，他们使用深度神经网络来模拟减少样本数量的产生，但代价是结果差异更大。尽管该团队的改进循环导致了一些较低质量的预测，但对参考对象进行建模只需要 30 个小时，远少于 MC 驱动软件预计的 3,000 多个小时。

研究人员在他们的论文中总结道：“[我们的] 3D 打印管道在质量上与以前的工作相匹配，同时通常快 100 到 300 倍。尽管任何数据驱动模型的通用性有限，但该网络可以很好地泛化到看不见的几何形状和材料值。这种稳健性为我们的实际部署提供了解决方案。”

机器学习驱动的AM 优化

仅在过去的12 个月中，ML 算法就发现了广泛的 3D 打印应用。就在去年，数据专家 Senvol 与美国陆军研究实验室签约，使用其专有的 ML 软件作为开发灵活计划的一种手段，以对 3D 打印导弹部件进行合格评定。在其他地方，阿贡国家实验室和德克萨斯农工大学的研究人员使用实时温度数据和机器学习软件来实现先进的 3D 打印缺陷检测。具体来说，科学家们已经能够将零件的热历史与激光粉末床融合过程中亚表面缺陷的形成相关联。