3D列印之超彈性材料蒲松比精密量測與4D列印之平面網格變形──面具製作搭配反向設計

Abstract

"本研究分為兩個方向，兩者皆以3D列印作為出發點，第一部分針對3D列印材料的性質精密量測作為目標；第二部分則針對3D列印材料於4D列印的應用進行新穎加工方法的探討，看似不存在關聯，但第一部分的內容為量測方法的探討，其結果可應用於第二部分的材料作為未來相關研究的使用。 隨著3D列印技術的普及，快速成型(Rapid prototyping)超彈性材料也成為3D列印不可或缺的特色之一，這也成為軟性機器人製造與設計時常用的方法。然而超彈性材料因類似橡膠的性質，使其存在週次軟化的現象，此現象對於機器人性能有顯著影響。由於超彈性材料在大變形下難以進行精確量測，使3D列印材料性質的研究多以硬材料為研究目標，且在週次軟化的研究中，並無針對其非線性蒲松比進行量測，因此本研究旨在精確量測3D列印超彈性材料的機械性質，其中透過量測熱塑性聚氨酯(TPU 85A, NinjaTek, Ninjaflex)於週次拉伸試驗中的機械性值了解週次軟化現象的非線性蒲松比變化。TPU 85A為現今熔融堆疊式3D列印中剛性最低的材料，其優異的彈性成為許多軟性機器人材料的首選。為了精確量測其性質，本研究使用平面影像關聯法搭配Reference sample compensation (RSC)修正方法來達到此目的，該方法能有效修正進出紙面位移帶來的量測誤差。在此修正方法下，成功觀測到蒲松比隨著週次軟化與遲滯變化的現象，在第一週次下蒲松比由較低的值0.45 ± 0.005提升至較高的值0.48 ± 0.005，而在後續週次下蒲松比維持在較高值且隨著拉伸應變的增長有些為變化，此蒲松比變化導致試片在最大拉伸應變為17.5%下體積有些微的增加(≈ 1%) 。此發現可協助有限元素法使用者進行軟性機器人之輔助設計，也有助於了解週次軟化現象的物理機制並提供其他研究來驗證週次軟化的理論模型。 4D列印為3D列印技術的延伸，係使用智能材料使3D列印的物件可透過外界刺激而變形，此機制可以應用於機器人或形狀變形等領域。形狀變形的優勢使其能透過簡單的結構轉換為複雜結構，克服3D列印對於複雜曲面印製的困難。過去研究未使用形狀記憶聚合物組成的平面網格透過4D列印來進行立體網格的製作，且反向設計其平面網格的過程困難且繁瑣。因此本研究希望以形狀記憶聚合物作為平面網格材料經4D列印的過程來做為立體網格的加工方法，並以人臉的理想模型系統(Model system)來測試此方法可行性，而立體網格的反向設計除了以人為設計外將搭配深度學習來加速該過程。而其中本研究透過熔融堆疊式3D列印機在列印智能材料(SMP55)時會在材料中殘留預應力的特性，找出一個能穩定列印且又能使SMP55能產生高達60%收縮率的列印參數，並透過與PLA組合的雙層結構使其能向上與向下彎曲，在這兩種材料四種組合配置形成的平面網格來達成4D列印。人為設計的部分藉由尋找平面網格不同設計下變形的規律，搭配有限元素法成功完成了三個日本能面的製作，也驗證了該方法於立體網格加工方法的可行性，且能藉由本研究設計的過程可將此技術應用於其他立體網格的製作。深度學習的部分，本研究將人臉面具的平面網格設計參數化來生成隨機的人臉面具，以此大量的隨機面具來進形人臉面具反向設計模型訓練的依據，其中條件式深層卷積生成對抗網路作為反向設計的模型架構，神經網絡根據目標的深度照片來生成平面網格設計，而其生成的人臉面具與目標的深度照片在結構相似性的計算下有77%的相似度，其結果仍存在一定的進步空間。在本研究網絡模型訓練的結果、參數化隨機人臉生成與4D列印平面網格列印的方法之上，未來能使反向設計的神經網絡模型更加完善。 "