Forscher der Computer Graphics Group (CGG) von der Charles University’s haben auf Basis des Maschinellen Lernens (ML) eine Technik entwickelt, mit welcher das Potenzial des hochauflösenden 3D-Drucks auch mehrfarbiger Objekte erhöht werden kann. Dem Forscherteam ist es durch kontinuierliche Simulation von 3D-Druckprozessen gelungen, einen effizienten Algorithmus zu entwickeln, der zur Begrenzung des „Color Bleedings“ die optimalen Parameter ermittelt.
Der Algorithmus arbeitet 300-mal schneller als andere vergleichbare Ansätze, wodurch Druckvorbereitungszeiten von mehreren Stunden auf einige Minuten verkürzt werden können, heißt es in einem wissenschaftlichen Bericht mit dem Titel „A Gradient-Based Framework for 3D Print Appearance Optimization„. Die Ergebnisse dazu wurden in der Arbeit „Neural Acceleration of Scattering-Aware Color 3D Printing“ ausführlicher beschrieben.
Ein alternatives Lichtstreuungsmodell
Material Jetting (MJ) 3D-Drucker können zweifarbig drucken, weshalb sie u. a. für die Nachbildung von hochdetaillierten, chirurgischen Modellen verwendet werden. Dazu verwenden die MJ-Systeme ultraviolettes Licht, um Mischungen von grundgefärbten, transluzenten Harzen, präzise auszuhärten. Dabei kommt es allerdings nicht selten zu optischen Streuungen, was sich auf die Genauigkeit und Schärfe der Teile negativ auswirken kann. Da das sogenannte Color Bleeding dreidimensional ist, stellt es ein erhebliches Hindernis für eine präzise Produktion dar.
Auf der Grundlage von Millionen von Testversuchen und Simulationen ist es dem Forscherteam nun gelungen, einen Algorithmus zu entwickeln, der vorhersagen kann, welchen Einfluss die Materialien auf eine bestimmte Oberfläche haben können. Dadurch wird der gesamte Prozess wesentlich beschleunigt. Die entstandenen Exemplare zeigten ein ähnliches Qualitätsniveau wie konventionelle Modelle, jedoch wesentlich schneller und mit einer „wahrnehmbar schärferen“ Farbe.
Machine Learning für den 3D-Druck
Die konventionell verwendete Methode, mit welcher der Ausbreitungsrichtung des UV-Lichts simuliert wurde, setzt für die Berechnung komplexe Systeme voraus und nimmt mehrere Stunden in Anspruch. Die Forscher haben dieses Problem allerdings mit einem datengesteuerten Ansatz beseitigen können. Durch den Einsatz eines Deep Neural Networks wird die Produktion einer verringerten Anzahl von Mustern simuliert.
Trotz der begrenzten Allgemeingültigkeit jedes datengesteuerten Modells lässt sich das Netzwerk gut auf unsichtbare Geometrie- und Materialwerte verallgemeinern. Die Modellierung eines Referenzobjektes konnte somit von 3.000 Stunden auf nur 30 Stunden verkürzt werden. Ein weiterer Vorteil dieses neuen Ansatzes ist, dass zur Simulation nur eine einzelne GPU-Workstation verwendet.