面向喷墨3D打印中新墨水的迁移学习辅助数据高效驱动波形优化
《Additive Manufacturing》:Transfer-informed data-efficient drive-waveform optimization for new inks in inkjet 3D printing
【字体:
大
中
小
】
时间:2026年09月30日
来源:Additive Manufacturing 11.3
编辑推荐:
来源高斯过程预测可指导新墨水的低预算驱动波形筛选。
基于联合差异高斯过程的贝叶斯优化可校准缓存的来源均值和逐点不确定性。
实测响应回放表明迁移效果具有来源依赖性、目标依赖性和规格依赖性。
银前驱体信息的在线贝叶斯优化在所有五组异丙醇测试中均达到目标,波形评估次数中位数为10次
来源高斯过程预测可指导新墨水的低预算驱动波形筛选。基于联合差异高斯过程的贝叶斯优化可校准缓存的来源均值和逐点不确定性。实测响应回放表明迁移效果具有来源依赖性、目标依赖性和规格依赖性。银前驱体信息的在线贝叶斯优化在所有五组异丙醇测试中均达到目标,波形评估次数中位数为10次。**引言**喷墨3D打印(又称材料喷射增材制造)是一种数字化控制的非接触制造过程,通过将液态原料以微米级液滴的形式喷射并沉积,来构建图案化、分层或三维结构[1]。在各种喷墨沉积模式中,按需滴喷(DoD)喷墨打印尤其适用于增材制造,因为液滴仅在电信号驱动下产生并沉积在指定位置。该能力能够实现高效的材料利用、无掩模数字化图案加工以及高空间可控性,使DoD喷墨打印适用于局部沉积、多材料集成以及功能结构的逐层制造[2]、[3]、[4]。本文考虑的压电式按需滴喷(DoD)场景中(图1),驱动波形负责压力波的产生、液滴的喷射以及基于图像的过程观测。因此,可靠的液滴生成对喷墨增材制造的尺寸精度、重复性和功能性能至关重要:液滴在体积、速度、轨迹或卫星液滴形成方面的微小变化会累积为几何误差、不均匀沉积和设备性能退化[5]。在压电式DoD喷墨打印中,液滴形成取决于墨水、喷头和工况之间的耦合,代表性结果如图2所示:稳定喷射(图2(a))、卫星液滴形成(图2(b))和喷射失败(图2(c))。驱动波形是在打印机设置和材料认证阶段主要可调的工艺输入:通过控制压力波的时序和振幅,它影响液滴体积、速度和卫星液滴的形成[6]、[7]。因此,驱动波形优化是认证新型功能墨水的一项核心工艺优化任务。传统的波形调优依赖于试错实验,而基于物理的模型和经验可打印性准则虽然提供了一定的见解,但难以用于快速的实验在环搜索[8]。数据驱动的代理模型可以减少实验工作量[7]、[9]、[10]、[11]、[12]、[13]、[14],但新墨水可能使波形-响应关系发生足够大的偏移,导致直接复用来源模型不可靠,且目标数据的采集成本高昂。然而,来源墨水和目标墨水共享激励和断裂机制,使得来源模型可作为有用但可能不准确的先验[7]、[15]。因此,本文提出了一种迁移信息增强的贝叶斯优化(BO)框架,用于墨水诱导的领域偏移下、低数据量的波形认证。此处"迁移信息增强"指将历史来源高斯过程(GP)的预测作为结构化先验,并通过顺序揭示的目标响应对其进行校准。该框架的目标应用场景是:当某一种来源材料已有历史实验数据,但目标波形的评估代价较高时,对新墨水进行筛选。首先,在历史来源数据上训练来源高斯过程,在候选波形位置上进行评估,并通过其缓存的预测均值和逐点不确定性进行迁移。这些缓存的预测提供了结构化信息,并通过联合差异高斯过程(GP),利用顺序揭示的目标观测对其进行校正。所得响应均值和不确定性引导在硬件安全的候选波形空间中进行采集,而目标函数同时约束体积、速度和卫星抑制要求。因此,来源模型既不是直接作为目标预测器复用,也不在目标数据稀缺时被丢弃。本文的主要贡献总结如下:- 我们将新墨水的驱动波形认证表述为硬件安全候选空间上的数据高效筛选问题,并采用一个复合目标函数,同时惩罚体积误差、速度误差和卫星液滴概率。- 我们开发了一种定向单来源联合差异高斯过程模型,其中缓存的来源高斯过程预测均值作为结构化响应先验输入,并通过响应的仿射校准和目标领域差异进行校正,而这些差异从顺序揭示的目标观测中学习得到。此处"联合"指在一个通用克里金模型中对响应特定的来源模型仿射校准参数和目标差异高斯过程进行联合估计,而非对多种来源材料进行联合建模。- 我们将来源高斯过程的逐点不确定性传递至来源增强的采集计算中,使同一目标侧后验分布既能表示迁移自适应的响应预测,又能表示筛选不确定性。- 我们使用三材料实测响应回放和物理在线IPA实验来评估筛选效率、迁移收益和负迁移风险,并区分有限池查询效率与物理目标波形评估效率。**章节摘要****背景与相关工作**本节仅回顾与所提方法定位相关的已有工作。重点在于说明,尽管已有关于按需滴喷物理、代理建模、迁移学习和贝叶斯优化的充分理解,新墨水的波形认证仍然困难重重。**问题表述与工作流程**本工作针对墨水诱导的领域偏移下,压电按需滴喷喷墨打印的数据高效驱动波形优化问题。目标是在仅有限的目标材料预算条件下,找到一种硬件安全的波形,使其匹配预设的液滴体积和速度目标,同时抑制卫星液滴。如图3所示,该方法遵循一条完整的链路:定义安全波形候选集、测量体积/速度/卫星响应、训练来源高斯过程**实验与结果**本节报告了一项针对IPA的物理在线闭环实验和一项三材料回顾性迁移矩阵实验。按时间顺序,在线实验先进行。在其轨迹过程中累积的IPA波形评估数据随后被汇总,并与现有的甘油-水和银前驱体墨水数据集结合,构建用于后续回放基准测试的来源代理模型。因此,回放实验和在线实验是互补的分析,而非独立的验证。**结论**本文针对这样一种实际问题:当目标材料评估预算有限,但已有某一种来源材料的历史实验数据时,如何对新墨水的驱动波形进行筛选。所提的单来源联合差异高斯过程-贝叶斯优化框架在历史来源记录上训练来源高斯过程,迁移其缓存的候选级预测均值和逐点不确定性,并通过顺序揭示的目标响应对其进行校准。对每种响应,**CRediT作者贡献声明****董向阳**:撰写——初稿、方法论、调查研究、正式分析、概念构思。**蔡毅**:撰写——审阅与编辑、监督指导、资源提供、经费获取、概念构思。**生成式AI及AI辅助技术在写作过程中的声明**在本研究的准备过程中,作者使用了OpenAI Codex进行语言编辑、LaTeX格式化,以及图表的代码辅助准备和精修。作者审阅并编辑了所有工具辅助的输出,并对文章的全部内容负完全责任。生成式AI和AI辅助技术未被用于生成研究数据、执行科学分析或形成科学结论。**利益冲突声明**作者声明,不存在任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。董向阳|蔡毅
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号