Creating custom 3D printing material colors using optical modeling of waste plastic
Notice bibliographique
Résumé
Distributed recycling and additive manufacturing (DRAM) offer a unique promise for obtaining a circular economy. To maintain or even enhance the value of common 3D printing feedstocks like polylactic acid (PLA) waste an approach to further incentivize prosumers to use recycled feedstocks is to provide something the market currently does not—custom filament colors. To enable prosumers to create custom colors from their own recycled 3D printing waste this article presents a new open-source software named SpecOptiBlend. Specifically, this study introduces a novel method for customizing color filaments by recycling waste 3D printing samples, thereby enhancing the capabilities of color 3D printing. Traditional 3D printing is limited by a narrow range of filament colors, and even multi-color printing heads can utilize only a limited number of colored filaments among the available options. The new approach here repurposes discarded prototypes and unused samples back into the printing cycle with desired colors, allowing for a broader spectrum of colors and gradients. This enables engineers and designers to create more intricate and functionally graded materials. To do this, waste plastics are quantified after processing for spectral reflectance, then Kubelka-Munk theory provides the initial estimate for color mixing. Three discrete optimization techniques are applied: Nelder-Mead, Limited-memory BFGS with bounds, and Sequential Least Squares Quadratic Programming. To determine the optimal method, assessment criteria include the application of root mean square (RMS) and the color difference (ΔE CIE-2000). Three case studies were conducted, and the Nelder-Mead method was found to provide an optimal balance between the precision of color differences and the RMS, essential for producing high-quality colors. This research has provided a free tool that will now enable prosumers to convert their plastic waste into specific custom colors to enable DRAM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».