📅 Data publikacji: 01.07.2025
W laboratorium AddiFab Tech, położonym w sercu Doliny Krzemowej, inżynierowie druku 3D od lat borykali się z fundamentalnym problemem: proces slicing’u — etap, w którym cyfrowy model CAD jest „krojony” na setki lub tysiące cienkich warstw i zamieniany na instrukcje G-code dla drukarki — zajmował zbyt dużo czasu i generował nieoptymalne ścieżki ruchu głowicy, co przekładało się na długie cykle produkcyjne, zużycie nadmiernej ilości materiału na podpory oraz zmniejszoną jakość finalnych detali. 🚧
Tradycyjne slicery, rozwijane od wczesnych lat 2000., działały sekwencyjnie: import modelu, wyznaczenie warstwy, generowanie ścieżek, analiza podpór, eksport G-code. Każda z tych faz była ograniczona algorytmami heurystycznymi i prostymi regułami geometrycznymi. Gdy projekt stawał się skomplikowany — z licznymi nadwieszeniami, zakrzywionymi powierzchniami czy gradientowymi wypełnieniami — czas przetwarzania rósł wykładniczo, a ilość generowanych podpór przekraczała 30% objętości części. Modele produkcyjne — narzędzia, formy, prototypy motoryzacyjne — wymagały od kilku godzin do kilkunastu (lub dłużej) obliczeń z wykorzystaniem masywnych stacji roboczych, co znacząco wpływało na koszty i terminy realizacji. ⏳
Ponadto, generowane przez tradycyjne slicery ścieżki ruchu głowicy często zawierały zbędne przejazdy bez eksstruzji materiału („travel moves”), które wydłużały czas druku i zwiększały ryzyko artefaktów na powierzchni detalu. Brak dynamicznej adaptacji geometrii warstw sprawiał, że cienkie elementy ulegały osłabieniu, a nadmierne warstwy wypełnienia pracowały przeciwko sobie, wpływając negatywnie na właściwości mechaniczne.
W obliczu tych wyzwań narodził się pomysł stworzenia systemu slicing’u opartego na sztucznej inteligencji. Zespół prowadzony przez dr. Martę Zielińską zaprojektował hybrydową platformę AI-Slicer, która zamiast statycznych reguł wykorzystuje sieci neuronowe oraz uczenie przez wzmacnianie (reinforcement learning) do optymalnego podziału modelu i generowania ścieżek w czasie rzeczywistym. 🔍
W pierwszym etapie badacze zebrali ogromną bazę danych: miliony symulacji druku, logi z rzeczywistych procesów, modele geometrii i odpowiadające im czasy drukowania oraz ilości zużytego materiału. Sieć uczenia głębokiego analizowała te dane, wyciągając wzorce dotyczące efektywnych trajektorii, optymalnych ustawień warstw i kryteriów minimalizacji podpór. Efektem była wstępna wersja AI-Slicer, która potrafiła przewidzieć „koszt” każdej potencjalnej ścieżki warstwy i skompresować sekwencję ruchów do najbardziej ekonomicznego zestawu instrukcji.
Przełom nastąpił, gdy w połowie 2024 roku algorytm AI-Slicer po raz pierwszy pokonał klasyczne silniki slicing’u w testach porównawczych. Na przykład przy druku złożonego korpusu lotniczego o objętości 2,5 litrów, czas przetwarzania modelu skrócił się z 45 minut do zaledwie 6, a materiał na podpory zmniejszono o 65%. Była to jasna zapowiedź rewolucji w procesie przygotowania druku 3D. 🎉
Po udanym pilotażu badacze przystąpili do integracji AI-Slicer z platformami produkcyjnymi. Współpracując z firmą AeroFab z Krakowa, wdrożyli system na liniach SLS marki EOS oraz FDM przemysłowe Ultimaker Production. Dzięki API, algorytmy AI-Slicer przyjmowały modele CAD bezpośrednio z systemów PLM (Product Lifecycle Management), automatycznie analizowały geometrię i zwracały zoptymalizowany G-code.
W pierwszym przypadku drukowano elementy pionowego ujęcia paliwa do silników rakietowych. Model o skomplikowanych kanałach przepływowych wymagał pierwotnie 12 godzin slicingu ze wsparciem trzech stacji roboczych. Po zastosowaniu AI-Slicer proces zajął 20 minut i wygenerował o 40% krótszy G-code, co przełożyło się na 22% szybszy wydruk oraz 30% oszczędności proszku nylonowego. Inżynierowie zauważyli również poprawę parametryki mechaniczną detalu dzięki precyzyjnie wyprofilowanym warstwom w newralgicznych miejscach.
W drugim wdrożeniu, w sektorze medycznym, drukowano kompleksowe modele anatomiczne serca z biokompatybilnych polimerów. Tutaj AI-Slicer adaptował siatkę warstw tak, by odwzorować delikatne struktury naczyń krwionośnych, minimalizując grubość warstw w obszarach o wysokiej krzywiźnie. Urządzenie bowiem potrafiło dynamicznie dobierać wysokość warstwy od 50 do 200 µm, redukując czas drukowania modelu z 8 do 3 godzin – co miało kluczowe znaczenie w czasie przygotowań do złożonych operacji kardiochirurgicznych. ❤️🩹
Kolejnym krokiem było testowanie AI-Slicer w trybie „on-the-fly”. Na drukarkach wielkogabarytowych do produkcji form wtryskowych, system pracował równolegle z drukiem, ciągle optymalizując trajektorie w zależności od rzeczywistych warunków termicznych i pomiarów drgań. Jeżeli czujniki monitorujące dolną warstwę wykrywały nadmierne naprężenia lub odkształcenia, AI-Slicer modyfikował G-code w locie, korygując prędkość przesuwu i moc lasera, by uniknąć defektów. Ta adaptacyjna kontrola doprowadziła do zmniejszenia odrzutów produkcyjnych o 55%.
Wreszcie, w marcu 2025 roku, AI-Slicer otrzymał certyfikat zgodności z normami ISO 17296 dla druku 3D metali i tworzyw sztucznych, co umożliwiło jego komercyjne wdrożenie w zakładach lotniczych i automotiv. Klienci chwalili przede wszystkim przewidywalność procesów, powtarzalność jakości oraz znaczące przyspieszenie czasu od projektu do gotowego produktu. 🏅
Patrząc w przyszłość, zespół AI-Slicer planuje pełną integrację z platformami CAD/CAM oraz IoT. Wyobrażają sobie system, w którym przy wgraniu nowego projektu G-code generowany jest natychmiast z uwzględnieniem bieżących danych z czujników dronów monitorujących temperaturę i drgania drukarki.
Kolejnym krokiem będzie rozszerzenie algorytmów o uczenie federacyjne — modele AI będą się uczyć na danych z różnych zakładów, zachowując prywatność i własność intelektualną, a jednocześnie doskonaląc metody slicing’u globalnie. Taki zdecentralizowany rozwój doprowadzi do ciągłego wzrostu wydajności i jakości na niezliczonej liczbie instalacji. 🌐
W obszarze materiałów badacze planują wdrożenie slicing’u hybrydowego, uwzględniającego nie tylko geometrię, ale także właściwości fizykochemiczne filamentu czy proszku — na przykład różnice w lepkości, przewodności cieplnej czy reaktywności przy obróbce laserowej. Algorytmy AI będą potrafiły dynamicznie dostosowywać parametry druku (prędkość, temperaturę, wypełnienie) warstwa po warstwie, osiągając właściwości mechaniczne niemożliwe do uzyskania przy użyciu standardowych slicerów.
Szeroka adopcja slicing’u opartego na AI ma szansę zrewolucjonizować cały łańcuch dostaw addytywnego — od indywidualnych makerów po globalne koncerny przemysłowe. Czas i materiały staną się zasobami, którymi zarządza się z jednakową precyzją, jak kiedyś kontrolowano napięcie linii produkcyjnych w przemyśle maszynowym.
Jak podsumowuje dr Zielińska:
„Slicing oparte na AI to nie tylko narzędzie przyspieszenia drukowania – to fundament nowego paradygmatu, w którym każda warstwa modelu jest inteligentnie zoptymalizowana pod kątem wydajności i jakości. Przyszłość druku 3D zaczyna się w moment, gdy algorytmy stają się naszymi współtwórcami.”