利用深度学习和生成人工智能来预测3D打印的多烯胺水凝的质性质和材料组成
Sakib Mohammad1, Rafee Akand2, Kaden M Cook2
1School of Electrical, Computer, and Biomedical Engineering, Southern Illinois University Carbondale, Carbondale, IL 62901, USA.
Gels (Basel, Switzerland)
|October 25, 2024
概括
深度学习模型预测3D打印的聚烯胺 (PAA) 水凝的质性和组成. 这些人工智能 (AI) 模型通过绘制3D打印的输入-输出关系来实现精确的材料设计.
科学领域:
- 材料科学与工程 材料科学与工程
- 聚合物化学 聚合物化学
- 材料科学中的人工智能 科学材料中的人工智能
背景情况:
- 使用人工智能 (AI) 预测3D打印材料的质性质和成分至关重要,但缺乏既定模型.
- 聚烯胺 (PAA) 水凝在3D打印中被广泛使用,需要对其机械性能进行精确控制.
研究的目的:
- 训练深度学习 (DL) 模型来预测3D打印PAA基板的质性质 (存储和损失模块).
- 开发生成的DL模型来预测材料组成和3D打印参数,以获得所需的质结果.
- 建立材料组成,打印参数和质性质之间的双向映射.
主要方法:
- 一个多层感知子 (MLP) 被训练用于多变量回归,以从七个凝组成参数中预测存储 (G") 和损失 (G") 模块.
- 对MLP进行超参数调整,使用具有10倍交叉验证的网格搜索算法进行调整,达到0.89.2的R2值.
- 变化自编码器 (VAE) 和条件变化自编码器 (CVAE) 模型被用于生成合成水凝成分,并使用学生的t测试和自编码异常检测器对真实数据进行验证.
主要成果:
- 该MLP模型成功预测了G'和G"模块的R2为0.89,证明了准确的输入输出映射.
- 生成型DL模型产生了与真实水凝制造数据在统计学上无法区分的合成数据.
- 七个生成的凝成分和真实数据之间没有发现显著差异,验证了生成方法.
结论:
- 训练有素的深度学习模型有效地预测3D打印PAA水凝的质性质和成分成分.
- 开发的AI模型通过绘制3D打印的输入-输出关系来精确控制材料属性.
- 这项工作为使用AI设计定制3D打印的水凝提供了基础,这些水凝具有特定的类风学特征.
