基于机器学习的数字光处理可打印弹性体配方设计：突破粘度与拉伸性能之间的权衡限制

《Nature Communications》：Machine learning guided formulation design of digital light processing printable elastomers beyond viscosity stretchability tradeoff

　　

摘要

基于 vat 光聚合技术的三维打印所使用的高性能树脂的开发受到粘度、固化动力学和机械性能之间相互制约的关系的影响。由于传统的打印筛选方法无法评估高粘度或固化速度较慢的配方，因此材料研发常常受到限制。本研究提出了一种数据高效的工作流程，将小批量配方筛选、机器学习优化和功能验证相结合，以实现基于约束条件的设计。通过使用涵盖可打印和不可打印材料的系统化配方库，小批量模具固化过程将材料特性与打印限制分离，从而扩展了训练范围。基于粘度、固化时间、断裂伸长率和拉伸模量训练的回归模型找到了具有良好加工性能和高延展性的优化配方。热机械分析表明，这种树脂具有均匀的网络结构且稳定性更高，而打印出的部件则表现出出色的耐用性。本研究证明，一种通用的光聚合物配方设计方法能够为软体机器人和可编程三维设备的功能性材料开发提供支持。