Machine learning na impressão 3D por granulado: aprender a parametrização perfeita

Como usamos modelos de machine learning para encontrar a parametrização ideal de materiais exigentes – e porque apostamos deliberadamente em ML clássico em vez de IA generativa.

15 de abril de 20266 min de leituraMachine learning
Machine learning para a parametrização na impressão 3D por granulado da S2S-Systemdrucker GmbH

O machine learning na S2S-Systemdrucker GmbH é um tema vasto e muito específico – e um tema que pode tornar a impressão 3D por granulado fundamentalmente mais eficiente. Neste artigo explicamos como usamos modelos de machine learning para encontrar a parametrização ideal de materiais exigentes como ferrites, cerâmicas técnicas ou misturas de materiais – e porque é que a nossa abordagem aposta deliberadamente em machine learning clássico em vez de IA generativa.

O que é machine learning – em poucas palavras

De forma muito simplificada, o machine learning funciona assim: com ciclos de treino iterativos e sistemas de equações matemáticas treina-se uma rede neuronal. A rede treinada pode depois tomar decisões ou fazer previsões a partir de um número qualquer de parâmetros de entrada – e tanto melhor quanto mais dados de treino de boa qualidade estiverem disponíveis.

Para a impressão 3D, isso torna-se interessante exatamente quando está em causa uma tarefa que classicamente exige muita experiência, tempo e séries de ensaios iterativas: a parametrização.

O desafio: cada material e cada requisito é diferente

Um projeto típico começa connosco assim: uma empresa procura-nos e diz: «precisamos destas e daquelas propriedades na peça impressa, e tudo isso tem de ser feito com este material específico».

Aí começa o nosso verdadeiro trabalho: como parametrizamos o sistema? Como ajustamos o granulado, a mistura, as taxas de débito? Precisamente na impressão por granulado com materiais técnicos, o espaço de parâmetros é enorme – temperaturas, comportamento de débito, proporções de mistura e propriedades do material entrelaçam-se. Classicamente, aproxima-se do ajuste ideal através de séries de ensaios. Isso funciona, mas custa tempo e material.

A nossa abordagem: aprender com cada projeto

É aqui que entram os nossos modelos de machine learning. Dispomos de um acervo crescente de dados: projetos concluídos, a nossa base de dados de materiais, a nossa base de dados de parâmetros. Sobre esta base treinamos modelos que aprendem exatamente estas relações.

Num projeto novo, o processo é o seguinte: damos ao modelo os parâmetros de entrada do projeto do cliente – propriedades pretendidas da peça, material, condições-fronteira. O modelo treinado analisa estas entradas e propõe, com base no seu treino, uma parametrização: proporções de mistura, taxas de débito e outras grandezas de processo. Em vez de começar do zero, arrancamos com uma recomendação fundamentada e baseada em dados – e encurtamos consideravelmente o caminho até ao ajuste ideal.

O perigo do overfitting – e como lhe fazemos frente

Quem trabalha com machine learning tem de conhecer e levar a sério um problema: o overfitting. Nele, o modelo decora de certa forma os dados de treino em vez de generalizar as relações subjacentes. A consequência: com dados conhecidos dá resultados excelentes, com constelações novas e desconhecidas falha. Precisamente com dados de processo vindos da produção, que por natureza não existem em quantidade ilimitada, este perigo é real.

Por isso integrámos desde o início, nos nossos processos de treino, mecanismos que impedem o overfitting – para que os nossos modelos deem recomendações fiáveis também em combinações de materiais e requisitos novos, e não se limitem a reproduzir o passado.

Importante: machine learning clássico em vez de IA generativa

Um ponto que nos importa: o machine learning é formalmente uma área da inteligência artificial – mas aquilo que aqui usamos nada tem a ver com o que hoje em dia se entende normalmente por «IA», ou seja, modelos de linguagem ou IA generativa. Os nossos processos de machine learning assentam em fórmulas matemáticas e em procedimentos de treino claramente definidos. A rede neuronal alarga o seu conhecimento ao longo de curvas de aprendizagem que conduzimos de forma dirigida e ajustamos a pontos definidos.

A diferença decisiva: temos o processo nas nossas mãos. O comportamento dos modelos é compreensível, o treino é controlado, os resultados são reprodutíveis. Para a utilização industrial – onde a fiabilidade conta mais do que demonstrações espetaculares – é exatamente essa a abordagem certa.

Conclusão

O machine learning transforma a nossa experiência de projeto numa ferramenta ativa: cada projeto concluído, cada ponto de dados da base de materiais e de parâmetros melhora as recomendações para o projeto seguinte. Para os nossos clientes isso significa fases de arranque mais curtas, menos consumo de material em séries de ensaios e resultados reprodutíveis mais depressa – também, e sobretudo, com materiais exigentes.

Tem um projeto com requisitos de material especiais? Fale connosco – talvez o nosso modelo já tenha a parametrização adequada.