Первый «двуглавый» 3D-принтер создали в РФ
Ученые Вятского государственного университета (ВятГУ) создали 3D-принтер для печати многоцветных объектов с различными свойствами материала, позволяющий делать модели как для машиностроения и пищевой промышленности, так и для домашнего использования. Об этом пишет РИА Новости.
Новая технология печати открывает возможности создания моделей разного цвета и с различными свойствами материала, в отличие от представленных в настоящее время на рынке 3D-принтеров.
Разработанные специалистами ВятГУ 3D-принтер имеет гибридную печатающую головку из двух устройств, которая позволяет послойно делать каркас, а затем заполнять его геле- или пастообразным веществом.
«В нашем устройстве процесс приготовления смеси и ее подача в зону печати совмещен с процессом формирования «скорлупы». Это позволяет автоматизировать процесс мультиматериальной печати и в значительной степени сократить время печати, полностью устранить ручной труд», - пояснил декан факультета технологий, инжиниринга и дизайна ВятГУ Виталий Лисовский.
Таким образом, с помощью принтера можно создавать принципиально новые модели сложных форм, в том числе многоцветные изделия, имеющие разную фактуру поверхности, а также разные физико-механические и химические свойства.
«Это дает возможность инженеру-материаловеду «выращивать» изделия с градиентными свойствами материала, например, с градиентной электропроводностью, когда один участок детали является электроизолятором, а другой участок детали, наоборот, проводит электрический ток», - пояснил Лисовский.
В планах авторов изобретения создание разных виды принтеров: самая крупная модель будет позволять печатать станины и корпуса станков, а маленькие версии смогут делать печать пищевыми материалами. Работа ведется в рамках программы «Приоритет-2030».
Ранее российские ученые придумали способ ускорения обучения нейросетей в 15-20 раз. Технология получила название Cognitive Neural Network Hospital, поскольку она способна «вылечивать больные места» нейросети. Сперва разработка определяет наиболее слабые зоны, а после, на основе полученной информации, выделяет новые данные, которые не полностью повторяют, но похожи на совершаемые ошибки. Это позволяет анализировать типы ошибок и классифицировать их по группам. Благодаря этому эффективность обучения ИИ повышается на 40%.