麻省理工学院（MIT）研究团队开发出一种智能算法设计方法，将3D打印设备的喷头尺寸、层间粘结等限制纳入设计过程，大幅提升打印精度与材料性能一致性。新技术让打印结果更接近计算模型，减少误差和结构失效。该研究发表于《Materials and Design》，有望推动3D打印在航空、建筑等领域的高精制造应用。
麻省理工学院利用智能算法提升3D打印精度
3D 打印机常常难以达到先进计算设计的精度，使得材料表现与预期存在差异。剑桥的麻省理工学院（MIT）研究人员开发了一种方法，将打印限制纳入设计过程，从而使材料性能更加可靠。
“如果你没有考虑这些限制，打印机可能会过量或不足地沉积材料，导致部件比预期更重或更轻。这也会显著高估或低估材料性能。” 麻省理工学院土木与环境工程系 Gilbert W. Winslow 副教授 Josephine Carstensen 解释道。“使用我们的技术，你可以确切知道性能表现，因为数值模型和实验结果高度一致。”
该方法的详细介绍发表在《Materials and Design》期刊的一篇开放获取论文中，作者包括 Carstensen 和博士生 Hajin Kim-Tackowiak。
一种具备情境感知的设计方法
随着 3D 打印技术的精度不断提升，设计复杂材料结构的方法也越来越先进。其中一种前沿方法是拓扑优化（topology optimization），它能够生成性能有时超越传统设计的结构，接近理论性能极限。该方法被用于优化刚度、强度、能量吸收、流体渗透性等。
然而，它往往会在 3D 打印机难以可靠实现的尺度上生成设计。主要问题在于打印喷头的尺寸：如果设计指定的是 0.5 毫米层厚，但打印机实际挤出的是 1 毫米，最终部件就会变形。另一个问题是层间粘结力较弱，这使得部件容易分层或失效。
“拓扑优化的挑战之一在于，你需要大量的专业知识才能得到好的结果，这样当你把设计从电脑转化为实物时，材料才能表现如预期。” Carstensen 说。“我们正在努力让获得这些高保真产品变得更容易。”
研究团队旨在解决由于这些限制导致的期望性能与实际性能之间的差距。此前，Carstensen 曾开发过一种考虑喷嘴尺寸的算法，用于梁状结构。此次，团队将方法扩展到包括喷头方向、层间粘结强度以及复杂多孔结构等因素。它允许用户对打印珠线中心和较弱的粘结区域进行建模，并能自动优化打印路径。
团队创建了具有不同孔隙尺寸的二维设计，并将其与传统拓扑优化材料进行了比较。使用新方法制造的材料在性能上与目标设计的偏差更小，尤其在密度低于 70% 时表现更好，并且避免了过量沉积材料的问题。
通过更智能的设计拓展材料性能
研究人员将该方法描述为首个同时考虑喷头尺寸与层间粘结弱点的设计技术。
“在设计某样东西时，你应尽可能使用所有可用的上下文信息。” Kim-Tackowiak 表示。“看到在设计过程中加入更多情境信息后，最终材料的精度显著提高，这种结果让人倍感欣慰。这意味着意外更少。尤其在我们投入越来越多计算资源用于这些设计时，看到计算结果与生产结果能够对应起来，非常令人满意。”
未来的研究目标是进一步改进该方法，以适用于更高密度的材料及水泥或陶瓷等材料类型。该方法减少了对专家介入的依赖，团队希望它能拓展可用材料的范围。
3D打印中的算法创新
麻省理工学院的这项研究是智能算法工具推动 3D 打印精度与效率提升浪潮的一部分。
在 2022 年，工程软件开发商 Hyperganic 宣布公开发布其基于 AI 的算法设计软件 Hyperganic Core 3。该平台在获得 780 万美元融资支持后推出，允许用户利用算法模型设计 3D 可打印部件，为传统组件设计流程提供了一种替代方案。Hyperganic Core 简化了航空航天等领域的工程工作流程，使复杂几何结构能在几分钟内通过计算完成最终设计，同时确保性能优化。
AMCM 与 Hyperganic 合作开发的 AM Aerospike 引擎。照片来源：Michael Petch。
与此同时，法国软件初创公司 Spare Parts 3D (SP3D) 发布了其数字工具 Théia 的测试版，该工具利用人工智能自动将二维技术图纸转换为三维模型。SP3D 的新方案结合了其 AI 驱动的 DigiPart 软件与深度学习技术，能够将零件的二维图纸快速转换为 3D 可打印模型，将转换时间从几天缩短到几分钟。
