Redes Neurais Artificiais Tradicionais Versus Aprendizado Profundo na Otimização de Aspectos Materiais da Impressão 3D

A impressão 3D de dispositivos assistivos requer a otimização da seleção de materiais, fórmulas de matérias-primas e processos de impressão complexos que devem equilibrar um alto número de variáveis variáveis, mas altamente correlacionadas. O desempenho de soluções impressas em 3D específicas para o paciente ainda é limitado tanto pelo número crescente de materiais disponíveis com diferentes propriedades (incluindo impressão multimarco) quanto pelo grande número de características do processo que precisam ser otimizadas. O principal objetivo deste estudo é comparar a otimização das propriedades da impressão 3D em relação à força de tração máxima de uma amostra de exoesqueleto baseada em duas abordagens diferentes: redes neurais artificiais tradicionais (ANNs) e uma abordagem de aprendizado profundo (DL) baseada em redes neurais convolucionais (CNNs). Comparado com os resultados da abordagem tradicional de ANN, a otimização baseada em DL reduziu a velocidade dos cálculos em até 1,5 vezes com a mesma qualidade de impressão, melhorou a qualidade, diminuiu o MSE e um conjunto de parâmetros de impressão não previamente determinados por tentativa e erro também foi identificado. Os resultados acima mencionados mostram que DL é uma ferramenta eficaz com potencial significativo para ampla aplicação no planejamento e otimização das propriedades materiais no processo de impressão 3D. Pesquisas adicionais são necessárias para aplicar soluções de baixo custo, mas mais eficientes computacionalmente, à fabricação aditiva multitarefa e multimarco.