使用人工智能和机器学习优化打印参数,批量和连续制造三维 (3D) 打印剂型
Kshitij Chitnis1, Yizhou Lu2, Benjamin Rhoads2
1Pharmaceutical Engineering and 3D Printing (PharmE3D) Lab, School of Pharmacy, University of Mississippi, University, MS, 38677, USA.
Drug delivery and translational research
|November 4, 2025
概括
机器学习优化了用于制药3D打印的化沉积模型参数. 这种方法成功地创造了零缺陷的口服剂型 (printlet),提高了制造效率和质量.
科学领域:
- 制药技术 制药技术 制药技术
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 三维打印 (3D打印) 提供个性化的药物口服剂型 (printlet),具有增强的功能,如多功能药物释放和改善患者遵守.
- 优化3D打印参数对于确保这些印刷品的质量至关重要.
- 通过优化这些参数,机器学习 (ML) 可以显著减少开发时间和成本.
研究的目的:
- 为了优化化沉积建模 (FDM) 打印参数,用于批量和连续制造的药品印刷品.
- 集成ML算法来预测和选择最佳的处理参数,以实现无缺陷的印刷品.
- 为了验证ML模型在各种材料和打印条件中的有效性.
主要方法:
- 使用三级全因数设计来生成用于训练ML算法的数据.
- 图像细分被用来分析印刷品的缺陷.
- 用高斯过程回归器 (GPR) 和高效全球优化 (EGO) 来进行参数预测和选择.
- 开发的算法通过打印和描述printlets.let进行了测试和验证.
主要成果:
- 该ML算法成功预测了批量 (R2=0.8783) 和连续 (R2=0.9364) 打印的参数集,实现了零缺陷的printlets.
- 该算法证明了在190-220°C温度范围内适应各种材料的适应性.
- 流量被确定为影响印刷品质量的重要因素,比打印速度,温度或填充密度更重要.
结论:
- 适应式ML,特别是GPR和EGO,有效地优化了FDM打印参数,以获得高质量的药品印刷品.
- 这种基于机器学习的方法提高了用于制药剂量制造的3D打印的效率和可靠性.
- 该研究验证了ML在通过3D打印创建无缺陷的个性化药物的潜力.
更多相关视频
07:05Viability of Bioprinted Cellular Constructs Using a Three Dispenser Cartesian Printer
Published on: September 22, 2015
10.4K
09:08Three-dimensional Printing of Thermoplastic Materials to Create Automated Syringe Pumps with Feedback Control for Microfluidic Applications
Published on: August 30, 2018
13.0K
