양자점 잉크에 대해 20단계 이내로 수행하였다. 또한 학습된 DRL 에이전트를 드롭 관찰(drop-watching) 시스템에 적용하여, 온도 변화로 인해 잉크의 물성이 달라지더라도 최적의 제팅(jetting)을 유지할 수 있도록 실시간 파형 조정을 가능하게 하였다. 그 결과, 산업용 잉크젯 인쇄 공정의 정밀성과 적응성을 향상시키기 위한 기계학습의 유의미한 잠재력이 입증되었다.

잉크젯 프린팅은 적층 제조(additive manufacturing) 기술에서 상당한 잠재력을 제공한다. 그러나 산업에서 흔히 사용되는 기능성 잉크의 레올로지적(rheological) 특성이 인쇄적합성(printability) 맵에서 간과되는 경우가 많아, Ohnesorge 수와 Weber 수에 의존하는 기존 맵으로는 분사(jetting) 거동을 예측하기 어렵다. 본 연구에서는 Deborah 수, Ohnesorge 수, 그리고 파형(waveform) 매개변수를 통합하는 기계학습 기반 분사 거동 예측 모델을 제시한다. 점탄성(viscoelastic) 잉크 10종을 제조하고 저장탄성률(storage modulus) 및 손실탄성률(loss modulus)을 측정하였으며, 이는 이론적 Maxwell 모델로부터 얻은 값과 잘 일치함을 보였다. Maxwell 모델 방정식을 분석하여 점탄성 잉크의 이완 시간(relaxation time)을 구함으로써 Deborah 수를 계산할 수 있었다. 낙하 관찰(drop watching) 시스템을 사용하여 각 잉크에 대해 다양한 파형을 적용한 분사 거동의 대규모 데이터를 수집하였다. 분사 거동의 예측 모델을 구축하기 위해 3종의 서로 다른 기계학습 모델을 사용하였다. 기계학습 모델들의 예측 정확도를 비교한 결과, 다층 퍼셉트론(multilayer perceptron)이 우수한 예측 정확도를 보였다. 최종 예측 모델은 파형 매개변수에 기반하여 미지의 잉크에 대해 놀라운 정확도를 나타냈으며, 분사 거동과 잉크 특성 간의 상관관계도 합리적이었다. 마지막으로, 제안된 점탄성 유체용 예측 모델과 선택한 산업용 프린트헤드에 의해 Ohnesorge 수와 Deborah 수를 특징으로 하는 인쇄적합성 맵을 개발하였다.