적층 제조에 대해 더 자세히 알아보려면 이제 YouTube 채널을 구독하여 토론, 요약 설명 및 3D프린팅 작업 장면을 볼 수 있다.

Charles University의 컴퓨터 그래픽 그룹(CGG)의 연구원들은 고화질 컬러 3D 프린팅의 잠재력을 발휘할 수 있는 머신러닝(ML) 기반 기술을 개발했다.

인쇄 프로세스를 지속적으로 시뮬레이션 함으로써 팀은 색상 번짐을 제한하고 부품 정확도를 개선하기위한 최적의 매개 변수를 반복적으로 찾는 알고리즘을 교육했다. 이 프로그램은 매우 효율적이므로 하나의 GPU만 필요하므로 유사한 AI 접근 방식보다 최대 300배 빠르며 인쇄 준비 시간을 수십 시간에서 단 몇 분으로 단축한다.

컬러 3D프린팅의 속도 제한

현재 많은 재료 분사(MJ) 3D프린터는 복잡한 색상 변화를 특징으로 하는 부품을 생산할 수 있으므로 매우 상세한 인공물과 수술 모델을 재현하는 데 자주 사용된다. 이를 달성하기 위해 기존 MJ 시스템은 UV 광선을 사용하여 반투명 기본 색상 수지의 다양한 혼합물을 정밀하게 경화하며, 이 감산 혼합 공정은 상당히 넓은 팔레트를 제공한다.

그러나 컬러 3D프린팅의 유연성에도 불구하고 원하지 않는 광학 산란이 발생하여 결과 부품의 선명도와 정확성에 영향을 미칠 수 있다. 이러한 색상 번짐이 3차원적이라는 점을 감안할 때, 이 현상이 발생하면 벽이 얇은 물체 내의 반대쪽 색상에도 영향을 미치므로 정확한 규모의 생산에 상당한 장애물이 된다.

2017년에 연구원들은 시뮬레이션을 사용하여 프린팅 중에 재료 배치를 최적화하여 부품의 최적의 선명도와 대비를 보장할 수 있는 가능성을 입증할 수 있었다. 하지만 이제 수백만 번의 테스트 실행을 기반으로 팀은 주어진 표면이 주변 재료에 의해 어떻게 영향을 받는지 더 정확하게 예측할 수 있는 개선된 알고리즘을 만들어 전체 프로세스를 가속화한다.

'Monte Carlo'예측 모델을 사용하여 개발된 합성 데이터 세트 예이다. 이미지 출처: Charles University.

대체 광산란 모델

일반적으로 UV 빛의 이동 방향을 예측하려면 소위 'Monte Carlo'(MC) 시뮬레이션 모델을 사용한다. 이러한 접근 방식은 종종 효과적이지만 고급 시스템을 사용하여 매우 작은 개체를 생성하는 경우에도 완료하는 데 많은 시간이 걸릴 수 있으므로 복잡한 색상 부품의 확장 가능한 생산을 방해하는 병목 현상이 발생한다.

이 문제를 해결하기 위해 연구자들은 데이터 기반 접근 방식을 채택했다. 이 방식에서는 심층 신경망을 사용하여 더 높은 결과 분산을 희생하면서 감소된 샘플 수의 생산을 시뮬레이션 했다. 팀의 미세 조정 루프로 인해 예측 품질이 낮아졌지만 참조 개체를 모델링하는 데 30 시간이 걸렸는데, 이는 MC 기반 소프트웨어에서 예상한 3,000시간 이상보다 훨씬 적었다.

수정된 알고리즘은 기본 모양과 복잡한 형상 사이에서 기존 프로그램보다 더 잘 일반화되어 잠재적으로 더 넓은 3D프린팅 준비를 수행하는 데 이상적이다. 또한 단일 GPU 워크 스테이션에서 테스트하는 동안 팀의 소프트웨어는 이전보다 두 배 빠르게 실행되어 이전에 ML 작업에 필요했던 컴퓨터 클러스터를 조립할 필요가 없다.

사실, 기존 MJ 3D프린팅 워크플로와 비교했을 때 연구원들은 최대 300배 더 빠른 것으로 밝혀졌으며 결과 표본은 설정이 궁극적으로 성능을 발휘 했음에도 불구하고 "지각적으로 선명한"색상을 사용하는 기존 모델과 비슷한 수준의 품질을 제공했다. 벽이 얇은 물체를 만들 때 덜 잘된다.

“[우리의] 3D 프린팅 파이프 라인은 품질면에서 이전 작업과 일치하지만 일반적으로 100~300배 더 빠르다.”라고 연구진은 논문에서 결론지었다. “데이터 기반 모델의 제한적인 일반성에도 불구하고 네트워크는 보이지 않는 지오메트리 및 재료 값으로 잘 일반화된다. 이러한 견고 함은 실제 배포를 위한 솔루션을 제공한다."

ML 기반 AM 최적화

지난 12개월 동안 ML 알고리즘은 광범위한 3D프린팅 애플리케이션을 발견했다. 바로 작년에 데이터 전문가 Senvol이 미 육군 연구소와 계약을 맺고 독점 ML 소프트웨어를 3D프린트 된 미사일 부품을 검증하기위한 유연한 계획을 개발하는 수단으로 사용했다.

다른 곳에서는 Argonne National Laboratory와 Texas A & M University의 연구원들이 실시간 온도 데이터와 ML 소프트웨어를 사용하여 고급 3D프린팅 결함 감지를 가능하게 했다. 특히, 과학자들은 부품의 열 이력을 레이저 파우더 베드 융합 중 표면 아래 결함의 형성과 연관시킬 수 있었다.

비슷한 맥락에서 New York University의 한 팀은 ML 도구를 사용하여 유리 및 탄소 섬유 3D프린팅 구성 요소를 리버스 엔지니어링했다. 연구자들은 테스트 샘플의 CT 스캔을 활용하여 설계를 효과적으로 '훔쳐'원본의 0.33% 이내의 정확도로 재현할 수 있었다.

연구원들의 연구 결과는“산란 인식 컬러 3D프린팅의 신경 가속”이라는 제목의 논문에 자세히 설명되어 있다. 이 연구는 Tobias Rittig, Denis Sumin, Vahid Babaei, Piotr Didyk, Alexey Voloboy, Alexander Wilkie, Bernd Bickel, Karol Myszkowski, Tim Weyrich 및 Jaroslav Křivánek이 공동 저술했다.

이 프로젝트는 Max Planck 정보학 연구소, Università della Svizzera italiana, Keldysh 응용 수학 연구소, IST Austria, University College London 및 Charles University에서 공동으로 수행되었다.