Aprendizaje automático en la fabricación aditiva basada en gel: desde el diseño de materiales hasta la optimización...

Área de la Ciencia:

• Fabricación aditiva
• Ciencias de los materiales
• Inteligencia artificial

Sus antecedentes:

• La fabricación aditiva basada en gel (GAM) tradicionalmente se basa en el ensayo y el error para el diseño de materiales y la optimización de procesos.
• Los métodos existentes se enfrentan a limitaciones para predecir las propiedades del gel y garantizar una impresión consistente.
• El descubrimiento acelerado de materiales y el control de procesos son cruciales para el avance de las aplicaciones de GAM.

Objetivo del estudio:

• Proporcionar una revisión completa de las aplicaciones de aprendizaje automático (ML) en GAM.
• Explorar el papel de ML en la formulación del gel, la predicción de la imprimabilidad y el control del proceso en tiempo real.
• Identificar los desafíos actuales y las direcciones futuras para el aprendizaje automático en GAM.

Principales métodos:

• Revisión de la literatura reciente sobre algoritmos ML (por ejemplo, redes neuronales, bosques aleatorios, máquinas vectoriales de soporte) aplicados a GAM.
• Análisis de la capacidad de ML para modelar las propiedades del gel (reología, elasticidad, hinchazón, viscoelasticidad) utilizando datos de composición y procesamiento.
• Examen de la formulación basada en datos y los avances de la robótica de circuito cerrado.

Principales resultados:

• ML permite el modelado preciso de las propiedades del gel a partir de diversos conjuntos de datos.
• Los enfoques basados en datos y la robótica están haciendo la transición de GAM hacia el descubrimiento de materiales autónomos.
• Se han logrado avances significativos en la capacidad de impresión predictiva y los ajustes de proceso en tiempo real.

Conclusiones:

• La integración de ML mejora significativamente el diseño de materiales y la optimización de procesos en GAM.
• Abordar la escasez de datos, la solidez del modelo y la integración del sistema son desafíos clave.
• El trabajo futuro debe centrarse en la detección multimodal, el diseño generativo y la experimentación automatizada para aplicaciones más amplias en ingeniería de tejidos, dispositivos biomédicos y materiales sostenibles.