机器学习驱动的灰度数字光处理用于机械坚固的3D打印梯度材料

科学领域:

• 材料科学 材料科学 材料科学
• 增材制造 增材制造 增材制造
• 聚合物化学 聚合物化学

背景情况:

• 灰度数字光处理 (g-DLP) 允许材料属性梯度用于先进的3D打印.
• 目前的局限性包括有限的材料属性范围和对复杂设计的结构优化不足.
• g-DLP打印件的机械强度仍然是一个关键的挑战.

研究的目的:

• 为机械坚固的梯度材料开发一个协同的g-DLP战略.
• 将动态结合控制树脂与基于机器学习的多目标优化集成.
• 为了克服g-DLP的可定制性质和结构设计的局限性.

主要方法:

• 合成动态结合控制的聚氨烯酸 (PUA) 树脂系统.
• 为结构设计开发一个多目标贝叶斯优化框架.
• 协同策略应用于3D和任意几何形状.

主要成果:

• 实现了广泛的弹性模量范围 (8.3 MPa至1.2 GPa),具有卓越的阻尼性能.
• 在梯度结构中降低了高达83%的应变度.
• 证明了延迟裂启动和增强的机械强度.

结论:

• 建立了一个多功能平台,用于创建机械坚固的g-DLP打印元件.
• 开发的PUA树脂和优化框架使量身定制的材料特性和结构完整性成为可能.
• 潜在的应用包括仿生人造软骨和汽车能量吸收结构.