基于机器学习的数字光处理3D打印像素光强优化提升光聚合精度研究

这篇研究通过机器学习（ML）框架优化数字光处理（DLP）3D打印的光强模式，结合降阶模型（ROM）精准追踪光固化树脂转化度（DoC）的时空演化，显著降低了因光渗透效应导致的过固化问题。创新性地实现了复杂几何（如涡轮叶片、牙科植入体）的高精度打印，为实时数字孪生技术奠定基础。

　　

摘要

数字光处理（DLP）3D打印因能制造复杂精细结构而广泛应用于工业领域，但过固化导致的尺寸偏差和细节丢失问题长期存在。传统模型因计算成本高昂难以准确模拟光固化化学反应过程。本研究提出一种结合机器学习（ML）与降阶模型（ROM）的优化框架，通过低成本的ROM实时追踪光固化树脂转化度（DoC）随光剂量在三维空间中的演化，进而生成优化的光强模式（OLI），显著提升打印精度。实验验证表明，该方法在涡轮叶片（偏差从49%降至1.7%）和牙科植入体等复杂结构上表现优异，为实时数字孪生技术提供可能。

1 引言

DLP技术凭借高精度和快速成型能力，在微流控通道、仿生设计等领域应用广泛，但其过固化问题源于光在平面（x-y）和深度（z）方向的渗透效应。现有研究多忽略化学反应的动态过程或仅优化平面光强，导致模型简化失真。例如，反应-扩散模型（RDM）需同时求解四个二阶偏微分方程，计算耗时（15分钟/15×15像素层）。本研究通过ROM将光剂量（I^ωt′）与DoC关联，结合CNN生成OLI，兼顾效率与精度。

2 结果

2.1 降阶模型

通过傅里叶变换红外光谱（FTIR）测定两种树脂（2.0 wt.%和0.5 wt.%光引发剂）的DoC随光强与曝光时间的变化，发现有效光剂量（I^0.65t′）可统一不同条件的DoC曲线。采用双Sigmoid函数拟合实验数据，建立ROM，其拟合误差低于3%。

2.2 卷积神经网络训练与性能

CNN以10×10×10体素为输入单元，通过四层3D卷积（16-32-64-1通道）输出OLI。训练数据包含随机球体、螺旋结构、图灵图案等六类几何，采用加权损失函数（离像素权重0.7）抑制过固化。验证损失仅比训练损失高15%，表明模型无过拟合。预测速度较RDM提升450倍（200秒/1000体素）。

2.3 优化光强模式

以Kresling结构为例，OLI在相邻层间动态调整光强：实体区域边缘光强降低（避免累积效应），而镂空区域外围光强增强以补偿深度渗透。RDM验证显示，过固化尺寸从0.2 mm降至0.09 mm。

2.4 打印验证

• Kelvin晶格：优化后支柱直径偏差从14%降至3%。
• 涡轮叶片：0.3 mm设计偏差仅4.4%，中心区域直径从5.3 mm修正至2.3 mm。
• 牙科植入体：优化后螺纹清晰，内孔畅通；未优化版本则因过固化堵塞。
• Gyroid：壁厚偏差从150%降至10%，消除层间过固化带。

2.5 不同树脂配方的优化

低光引发剂浓度树脂（0.5 wt.%）需更高能量固化，其优化后Kresling间隙达0.33 mm（设计值0.32 mm），而高浓度树脂（2.0 wt.%）优化结果为0.29 mm。

3 结论

ML-ROM框架通过OLI补偿三维光渗透效应，将Kelvin晶格和涡轮叶片的尺寸偏差控制在3%和4.4%以内，且计算效率较传统方法提升显著，为DLP打印实时数字孪生提供技术支撑。

4 实验方法

• 材料：聚乙二醇二丙烯酸酯（PEGDA）、Irgacure 819光引发剂、Sudan I光吸收剂。
• DoC测量：FTIR分析1590-1660 cm^-1与1660-1780 cm^-1峰面积比。
• 光强分布：通过CMOS传感器记录平面分布，固化膜厚度测定深度渗透。
• 特征测量：光学显微镜结合ImageJ分析，数据取十次测量均值。