Forschende der Queensland University of Technology (QUT) haben einer Mitteilung zu Folge in Zusammenarbeit mit einem multidisziplinären Team aus Ingenieuren und Biowissenschaftlern die Melt-Electrowriting-Technologie (MEW) durch den Einsatz von maschinellem Lernen (ML) weiterentwickelt.
Die Studie, veröffentlicht unter dem Titel „Towards industry-ready additive manufacturing: AI-enabled closed-loop control for 3D melt electrowriting“ zeigt, wie ML-Algorithmen dazu beitragen können, den Prozess der MEW zu optimieren, um präzisere Strukturen und Anwendungen in der Geweberegeneration zu ermöglichen.
Optimierung von MEW durch maschinelles Lernen
Melt-Electrowriting ist ein additiver Fertigungsprozess, der es ermöglicht, extrem feine Fasern aus schmelzflüssigem Polymer präzise zu positionieren. Die Methode wird zunehmend in der Biomedizin eingesetzt, insbesondere zur Herstellung von Gerüsten für die Geweberegeneration. Allerdings erfordert der Prozess hohe Genauigkeit und ist anfällig für Schwankungen in den Prozessparametern. Hier setzt die Forschung der QUT an: Durch maschinelles Lernen konnten die Forschenden spezifische Parameter wie Spannung, Flussrate und Schreibgeschwindigkeit so optimieren, dass die Wiederholbarkeit und Qualität der erzeugten Strukturen verbessert wurden.
Anwendungen und Potenzial der Forschung
Die optimierten MEW-Gerüste können in der regenerativen Medizin vielseitig eingesetzt werden, etwa zur Unterstützung von Zellwachstum in Knochen-, Knorpel- oder Hautgewebe. Die Forschenden betonten, dass ihre Arbeit einen wichtigen Schritt zur Automatisierung und Standardisierung von MEW-Prozessen darstellt. Langfristig könnte dies zu personalisierten Implantaten führen, die exakt auf die Bedürfnisse der Patienten abgestimmt sind.
Ein zentraler Aspekt der Studie war die Entwicklung eines Modells, das die Zusammenhänge zwischen den Prozessparametern und den erzielten Ergebnissen analysiert. Dies erlaubt es, die Prozesse in Echtzeit zu steuern und zu verbessern, was sowohl die Effizienz als auch die Materialnutzung optimiert.
Die Kombination von maschinellem Lernen und Melt-Electrowriting eröffnet neue Möglichkeiten in der additiven Fertigung und der Biomedizin. Die Forschungsgruppe der QUT plant, ihre Erkenntnisse weiter auszubauen, um die Technologie für industrielle Anwendungen und die klinische Praxis zugänglicher zu machen.
