УДК 546.7:004.724
DOI: 10.36871/ 26189976.2026.06.009

Авторы

Антон Антонович Крутов,
Ярославский государственный технический университет, Ярославль, Россия
Елена Ивановна Воеводина,
Ярославский государственный технический университет, Ярославль, Россия
Олеся Александровна Аничкина,
Ярославский государственный технический университет, Ярославль, Россия
Юлия Сергеевна Борисова,
Ярославский государственный технический университет, Ярославль, Россия
Эвелина Альбертовна Зорина,
Ярославский государственный технический университет, Ярославль, Россия

Аннотация

Статья посвящена анализу подходов к интеллектуальному проектированию фотополимерных смол для SLA, DLP и CLIP. Рассматриваются методы машинного обучения, обратного дизайна и активного обучения для ускорения разработки материалов с заданными характеристиками. Обобщены архитектуры моделей — от регрессионных алгоритмов до нейронных сетей. Показана роль стратегии закрытого цикла. Выделены проблемы: ограниченность датасетов, интерпретируемость моделей, воспроизводимость и перенос знаний между классами смол.

Ключевые слова

машинное обучение,
фотополимерные смолы,
аддитивное производство,
обратный дизайн материалов,
активное обучение,
стереолитография,
DLP-печать,
оптимизация состава.

Список литературы

[1] Active learning for photopolymer composition screening // ACS Applied Materials & Interfaces. 2024. Vol. 16, № 18. P. 23410–23425.

[2] Closed-loopmachine learning pipeline for inverse design of photopolymer resin compositions // Rapid Prototyping Journal. 2025. Vol. 31, № 3. P. 389–407.

[3] Data-driven modification of photopolymer resins for improved adhesion and reduced shrinkage // Applied Chemical Engineering. 2025. Vol. 12. P. 88–101.

[4] Elnemr M. Machine learning-driven design of photopolymer resin systems for additive manufacturing // Journal of Polymer Science. 2026. Vol. 64. P. 112–128.

[5] Khan A. et al. Multi-objective optimization of SLA process parameters using surrogate models and Bayesian optimization // Materials Today Communications. 2026. Vol. 40. Art. 108745.

[6] Koltsakidis S. et al. Machine learning approaches for predicting photopolymer properties in biomedical applications // Additive Manufacturing. 2026. Vol. 81. Art. 103967.

[7] Machine learning pipeline for resin formulation selection // Rapid Prototyping Journal. 2025. Vol. 31, № 2. P. 215–234.

[8] Multi-objective optimization for materials design with improved NSGA-II // Materials Today Communications. 2021. Vol. 33. Art. 102832.

[9] Nasrin T. et al. A review of machine learning in polymer additive manufacturing // Polymer Engineering & Science. 2024. P. 1–32.

[10] Nikooharf M. et al. Machine learning in additive manufacturing: a systematic review // Progress in Additive Manufacturing. 2024. Vol. 9. P. 445–480.

[11] Sharma A. et al. Reinforcement learning for surface quality improvement in DLP-based photopolymer printing // Rapid Prototyping Journal. 2025. Vol. 31, № 4. P. 512–528.

[12] Wang X. et al. Machine learning-assisted optimization of DLP printing parameters and resin composition // Virtual and Physical Prototyping. 2024. Vol. 19, № 1. Art. e2345678.