DLEAM - Deep Learning Additive Manufacturing

Contexto

La fabricación aditiva ha evolucionado rápidamente desde el «prototipado rápido» hasta las piezas «listas para la producción». Esta tecnología es de vital importancia en muchos ámbitos, ya que permite fabricar piezas aeronáuticas, metalúrgicas, plásticas y biológicas. Beneficia a los fabricantes en el diseño y modelado de estructuras innovadoras, la preparación del producto final y el plazo de comercialización. Las implicaciones de esta tecnología son muy significativas y podrían revolucionar nuestra sociedad. Por ejemplo, la producción podría dar un giro hacia las pequeñas empresas, reforzando la economía local. La medicina podría revolucionarse con prótesis de bajo coste, órganos y píldoras impresas personalizadas. Esto aumentaría la eficacia de las píldoras, permitiría disponer de prótesis en zonas aisladas por la guerra y reduciría los problemas de los trasplantes. Los metales, plásticos o papeles reciclados podrían ser la tinta de las impresoras, contribuyendo al medio ambiente.

Retos Tecnológicos

Este proyecto tiene como objetivo diseñar y desarrollar metodologías innovadoras y disruptivas que faciliten la caracterización de los parámetros de la herramienta de impresión cuando se introduce en el proceso un nuevo material o máquina de impresión. 

Retos principales:

1. Calibración de la máquina frente al material

2. Factor humano: Ensayo y error

3. Desperdicio de recursos

4. Protocolos no normalizados

5. Variabilidad/incertidumbre del proceso

Metodología

La metodología general ha consistido en la calibración de los parámetros de la máquina a partir de la caracterización del material y la geometría. 

Módulos:

• Modelo basado en aprendizaje automático 
• Técnicas de visión por ordenador
• CAD, CAM, CAE
• CFD (Simulación de Fluidos por Ordenador)
• Estudio Reológico (En colaboración con UPV/EHU & BioMat)
• DoE (Diseño de Experimentos) & R&R

Resultados Técnicos

El diseño modular del proyecto permitió generar resultados «independientes» entre fases o módulos

Principal:

• ML - Prototipo para la estimación de parámetros

Lateral:

• Bioprinting CALIB dataset
• Sistemas de visión por ordenador in situ
• Protocolo/estandarización de la bioimpresión

Resultados Científicos:

En proceso:

- Un modelo de aprendizaje automático para la optimización de parámetros de máquina
- Hacia la estandarización de protocolos de bioimpresión. Un enfoque R&R
- Conjunto de datos Bioprint-CALIB.
- Sistema de Visión por Computador para la calibración precisa de la altura de la boquilla
- Una biblioteca de Visión por Computador / Geometría Computacional para la caracterización geométrica.
- Optimización de parámetros de bioimpresión mediante análisis CFD y reológico.

Aplicaciones

• Automatización de la fabricación
• Diseño de biomateriales
• Pruebas de fármacos

Ver el vídeo en YouTube