卡內基梅隆大學工程學院的研究人員開發出一種優化軟材料3D打印的新方法。研究人員的專家指導優化(EGO)方法將專家判斷與優化算法相結合，優化算法可有效搜索與3D打印相關的參數組合，從而實現高保真軟材料產品的打印。

研究人員包括主要作者Sara Abdollahi，博士。生物醫學工程專業的學生; Adam Feinberg，生物醫學工程和材料科學與工程副教授; 亞歷克斯戴維斯，工程和公共政策助理教授; 迪特里希人文與社會科學學院教授約翰米勒設計了EGO方法，以優化高質量的軟材料3D打印。

最近發表于PLOS One的論文“專家指導的軟質和液體材料三維打印優化” 研究人員展示了EGO方法，該方法使用液體聚二甲基硅氧烷(PDMS)彈性體樹脂，這是一種常用于可穿戴設備的材料傳感器和醫療設備。研究人員使用了一種稱為自由形式可逆嵌入(FRE)的印刷方法，其中軟材料沉積在凝膠支撐浴中。

對于3D打印軟材料，許多參數會影響最終產品。3-D打印機的頭部移動速度，打印產品的凝膠浴的稠度以及打印件中每種材料的濃度只是影響最終產品的一些變量。在每個印刷品中，可以考慮許多參數，以及它們的更多可能組合。

典型的優化模型或實驗設計將關注一些被認為對印刷最重要的參數。然而，將這些優化模型用于實驗材料(其3D打印特性并不為人所知)可能極具挑戰性。

“當3D打印熱塑性塑料時，如果你只有5個或10個主要打印參數，并且想要探索，比如每個級別的五個級別，那么因子設計可以產生數百萬種可能的打印設置組合，”Abdollahi說。“當探索其打印特性未知的實驗材料時，組合變得更加艱巨。例如，如果實驗材料具有20個打印參數，具有5個級別，則實驗者可以具有數萬億的打印設置組合以進行探索。”

然而，使用EGO模型，這一挑戰可以減少障礙，因為專家能夠排除許多組合無效。通過將專家的科學判斷與高效的搜索算法相結合，EGO顯著減少了尋找能夠為實驗材料提供最佳3D打印的組合所需的時間和精力。

“EGO的目的是創建一種有效的搜索算法，明確地結合專家知識和傳統的搜索算法，”戴維斯說。“通常我們認為機器學習對于大數據是有用的，但EGO適用于我們很少或沒有數據并且需要依賴專家判斷，然后通過搜索算法和專家知識的組合，有效地從小到小的過渡的情況。大數據。”

EGO模型由三個步驟組成。首先，人類專家選擇初始參數集，為算法提供搜索邊界。然后，爬山算法在這些邊界內搜索這些參數的有希望的組合，從而產生“局部最優”。最后，專家評估局部最優并決定是否通過添加新參數來改變搜索過程，或繼續在現有邊界內搜索。該過程重復進行，直到找到理想的解決方案。

EGO方法可以擴展到軟材料的3D打印，適用于各種工程過程，作為一種系統工具，可以發現產生可重復，高質量，新穎材料的關鍵參數。