Blog

Jun 25, 2023

Aktives Lernen zur Vorhersage von Zugeigenschaften für die additive Fertigung durch Materialextrusion

Scientific Reports Band 13, Artikelnummer: 11460 (2023) Diesen Artikel zitieren 1114 Zugriffe auf Metrikdetails Techniken des maschinellen Lernens wurden verwendet, um die Zugeigenschaften von Materialien vorherzusagen

Scientific Reports Band 13, Artikelnummer: 11460 (2023) Diesen Artikel zitieren

1114 Zugriffe

Details zu den Metriken

Techniken des maschinellen Lernens wurden eingesetzt, um die Zugeigenschaften von additiv gefertigten Teilen auf Materialextrusionsbasis vorherzusagen, die mit Technomelt PA 6910, einem Schmelzklebstoff, hergestellt wurden. Eine adaptive Datengenerierungstechnik, insbesondere ein aktiver Lernprozess basierend auf dem Gaußschen Prozessregressionsalgorithmus, wurde eingesetzt, um Vorhersagen mit begrenzten Trainingsdaten zu ermöglichen. Nach drei Datenerfassungsrunden wurden maschinelle Lernmodelle, die auf linearer Regression, Ridge-Regression, Gaußscher Prozessregression und K-nächsten Nachbarn basieren, damit beauftragt, Eigenschaften für den Testdatensatz vorherzusagen, der aus Teilen bestand, die mit fünf zufällig ausgewählten Verarbeitungsparametern hergestellt wurden Zahlengenerator. Insgesamt haben die lineare Regression und die Ridge-Regression die Ausgabeparameter erfolgreich vorhergesagt, mit einem Fehler von < 10 % für 56 % der Vorhersagen. K-nächste Nachbarn schnitten schlechter ab als die lineare Regression und die Ridge-Regression, mit einem Fehler von < 10 % bei 32 % der Vorhersagen und einem Fehler von 10–20 % bei 60 % der Vorhersagen. Während die Gaußsche Prozessregression die geringste Genauigkeit aufwies (< 10 % Fehler bei 32 % der Vorhersagefälle und 10–20 % Fehler bei 40 % der Vorhersagen), profitierte sie am meisten von der adaptiven Datengenerierungstechnik. Diese Arbeit zeigt, dass Modelle des maschinellen Lernens, die adaptive Datengenerierungstechniken verwenden, Eigenschaften von additiv gefertigten Strukturen mit begrenzten Trainingsdaten effizient vorhersagen können.

Additive Fertigung (AM) ist eine Verarbeitungstechnik, bei der Objekte Schicht für Schicht hergestellt werden. Die Schmelzfilamentherstellung (FFF) ist der gebräuchlichste Materialextrusions-basierte (MatEx) AM-Prozess, bei dem Polymerfilamente erhitzt werden, bis sie schmelzen, durch eine Düse extrudiert und auf einer Bauoberfläche abgelegt werden, um dreidimensionale Teile zu bilden. Um die Qualität des Endteils zu kontrollieren, ist ein detailliertes Verständnis des FFF-Prozesses erforderlich, von der Druckbarkeit der Ausgangsmaterialien bis hin zu den Prozess-Struktur-Eigenschafts-Beziehungen der gedruckten Teile. Allerdings hängt die Qualität des Endteils von vielen Prozessparametern ab, was die Bemühungen zur Qualitätskontrolle erschwert.

Physikbasierte Modelle können wichtige Erkenntnisse zum Verständnis von MatEx liefern. Diese Modelle basieren auf der relevanten Physik und legen Annahmen und Randbedingungen fest, um den ursprünglichen Prozess möglichst genau widerzuspiegeln. Die breite Modellpalette lässt sich in verschiedene Kategorien einteilen. Das Verständnis der Wärmeübertragung und der Wärmeverteilung während des Druckens ist wichtig, da sie für die Zwischenschichthaftung in gedruckten Teilen von entscheidender Bedeutung sind. Es wurde über Finite-Volumen-1, Finite-Elemente-Analyse (FEA)2,3, Finite-Differenzen-3 und numerische4 Modelle der Wärmeübertragung in MatEx berichtet. Auch die Schmelzrheologie wurde modelliert, sowohl innerhalb des heißen Endes als auch des Extrudats5,6,7. Es wurden auch Modelle zur Bestimmung der endgültigen mechanischen Eigenschaften erstellt8,9. Physikbasierte Modelle erfordern keine großen experimentellen Datensätze und können eine hohe Genauigkeit aufweisen, da sie die relevante Physik berücksichtigen. Sie sind jedoch häufig durch ihre Rechenkomplexität eingeschränkt, die nicht nur zeitaufwändig ist, sondern auch umfassende Kenntnisse des Multiskalen- und Multiphysikverhaltens des AM-Prozesses erfordert10. Dadurch sind Modelle auf nur wenige Aspekte des Gesamtprozesses beschränkt.

In Modellen des datengesteuerten maschinellen Lernens (ML) extrahiert eine Maschine oder ein System zugrunde liegende Muster aus vorhandenen Beobachtungen oder experimentellen Daten, um Vorhersagen über neue Beobachtungen zu treffen, ohne dass eine explizite Programmierung erforderlich ist. ML-Modelle können weniger rechenintensiv sein als physikbasierte Modelle, wenn das gewünschte Ergebnis eine Vorhersage von Eigenschaften auf der Grundlage eines mehrdimensionalen Designraums ist, wie er beispielsweise für MatEx typisch ist. Mehrere Übersichtsartikel bieten umfassende Übersichten über den aktuellen Stand der ML-Anwendungen in MatEx10,11,12. Künstliche neuronale Netze (ANNs) sind die am weitesten verbreitete Methode zur AM-Prozessoptimierung10. ANN ist rechnerisch effizienter als FEA bei der Untersuchung der Rolle von Füllparametern auf mechanische Eigenschaften wie Zugfestigkeit13 und Verhältnis von Festigkeit zu Gewicht14. Mehrere Studien konzentrierten sich auf die Vorhersage makroskaliger mechanischer Eigenschaften wie Zugfestigkeit15, dynamischer Elastizitätsmodul16, Druckspannung17 und Kriecheigenschaften18 unter Verwendung von ANN-basierten Mehrschicht-Perzeptron-Modellen (MLP). ML-Modelle zur Optimierung der Maßhaltigkeit19 und der Oberflächenrauheit20 basierend auf eingegebenen Prozessparametern wurden mit einem ANN-basierten Modell bzw. einem Ensemble-Modell erstellt.

Datengesteuerte numerische Lösungen mit ML-Techniken sind recheneffizienter als physikbasierte numerische Simulationen. Allerdings kann es teuer und zeitaufwändig sein, einen ausreichend großen Datensatz zu erhalten, der eine Voraussetzung für das Training hochwertiger ML-Modelle ist. Bei einfachen Design-of-Experiment-Ansätzen (DOE) werden gleichmäßig Stichproben aus dem gesamten Designraum erfasst, was die experimentellen Kosten mit zunehmender Anzahl von Eingaben exponentiell erhöht21. Obwohl die Aussage grundsätzlich nur für einfache DOE-Methoden gilt, enthalten Slicing-Softwarepakete (3D-Modell-zu-Druck-Software) für FFF > 100 einstellbare Parameter, was nicht-iterative traditionelle DOE-Ansätze zur Optimierung von Druckparametern in vielen Fällen undurchführbar macht22. Darüber hinaus sind DOEs wie Taguchi unzureichend, da orthogonale Arrays nicht alle Variablenkombinationen berücksichtigen, wodurch möglicherweise wichtige Bedingungen beim Training des Modells weggelassen werden23. Folglich wird adaptives Sampling gegenüber DOEs in Fällen wie MatEx bevorzugt, wo die Kennzeichnung der Ausgaben für jeden Eingabedatenpunkt teuer ist. Adaptives Sampling unter Verwendung der Bayes'schen Optimierung (BO), einer Form des aktiven Lernens (AL), hat die Aufmerksamkeit der Materialwissenschaftsgemeinschaft auf sich gezogen, da es den Versuchs-/Simulationsaufwand reduziert und gleichzeitig die Genauigkeit des ML-Modells maximiert, indem Kompromisse zwischen Nutzung und Erkundung ausgeglichen werden24. BO wurde umfassend im Bereich Materialdesign/-entdeckung und Leistungsvorhersage für neuartige Materialien implementiert25,26,27,28,29. Es wurde auch zur Erstellung adaptiver experimenteller Designs eingesetzt, was im Vergleich zu DOEs30 eine schnelle und kostengünstige Untersuchung von Datensätzen ermöglichte. Über die Implementierung von BO in AM wurde jedoch erst kürzlich berichtet. Für die Materialentwicklung31 wurde über eine Prozessoptimierung durch adaptive Probenahme berichtet, die die Verbindungsqualität32 verbessert, die Geometriegenauigkeit33 erhöht und mechanische Eigenschaften wie Oberflächenrauheit34 und Zähigkeit35 von MatEx-Teilen optimiert.

In dieser Arbeit untersuchen wir einen adaptiven Datengenerierungsprozess, um einen Trainingsdatensatz zur Vorhersage der Eigenschaften von mit FFF gedruckten Proben zu erhalten. Das verwendete Material ist Technomelt PA 6910, ein teilkristalliner Schmelzklebstoff, von dem wir zuvor gezeigt haben, dass er in der Lage ist, hohlraumfreie gedruckte Strukturen mit Eigenschaften zu bilden, die mit geformten Proben vergleichbar sind oder diese sogar übertreffen36. Technomelt PA 6910 bietet im Vergleich zu den typischerweise in MatEx verwendeten Materialien ganz andere mechanische Eigenschaften. Da es sich bei diesem Material um ein Elastomer handelt, erfordert die Vorhersage der Eigenschaften die Bestimmung des Elastizitätsmoduls, der Streckgrenze und des Versagens, was die Komplexität erhöht.

Nach Kenntnis der Autoren ist dies die erste Instanz eines auf Unsicherheit basierenden adaptiven Stichprobenverfahrens zur Generierung eines experimentell erfassten Trainingsdatensatzes zur gleichzeitigen Vorhersage von fünf kritischen Zugeigenschaften anstelle einer einzigen Ausgabe für FFF-Teile. Dies ist ein wichtiger Beitrag, da es sich bei dem vorgeschlagenen Framework um eine End-to-End-ML-Pipeline handelt, die mit einer effizienten Möglichkeit zur Generierung von Trainingsdaten beginnt und mit der Modellbewertung endet. Dieses Framework, das mehrere Größen gleichzeitig vorhersagen kann, wurde zur Vorhersage der Zugeigenschaften von FFF-Teilen verwendet. Darüber hinaus bieten wir eine umfassende Bewertung der trainierten ML-Modelle anhand von Testproben, die unabhängig vom Trainingssatz gesammelt wurden. Im Gegensatz zum gängigsten Ansatz, die verfügbaren Daten in Zug- und Testsätze aufzuteilen, haben wir die Teststichproben nach Abschluss des AL-Prozesses zufällig ausgewählt. Wir umfassen auch eine systematische Analyse gedruckter Strukturen, einschließlich der Analyse ihres Hohlraumgehalts, der Kristallinität durch Differentialscanningkalorimetrie (DSC) und der Querschnittsmikrostruktur durch Rasterelektronenmikroskopie (REM). Diese Art der Modellbewertung zur Berücksichtigung von Variationsquellen bei AM-Problemen ist einzigartig, da die meisten vorhandenen Arbeiten ausschließlich auf die Angabe von Standardbewertungsmetriken wie dem quadratischen Mittelwert zurückgreifen, die möglicherweise nicht so aussagekräftig sind wie eine eigenständige Metrik. Daher beschreibt dieser Artikel prinzipielle Ansätze zur Erfassung der mit den mechanischen Eigenschaften von Elastomermaterialien verbundenen Komplexität und zur Vorhersage ihrer Zugeigenschaften mit geringem Fehler unter Verwendung von Regressionsmodellen, die mit Zugdaten von nur 22 Druckbedingungen trainiert wurden. Diese Arbeit bietet somit eine Grundlage für zukünftige Arbeiten im Bereich der datengesteuerten Modellierung in AM.

In dieser Studie wurde ein Schmelzklebstoff auf Polyamidbasis, Technomelt PA 6910, verwendet. Technomelt PA 6910 ist ein teilkristalliner, flexibler Thermoplast mit einer Glasübergangstemperatur unterhalb der Umgebungstemperatur und einer Schmelztemperatur über 60 °C36. Es ist so konzipiert, dass es beim Abkühlen schnell eine Bindungsfestigkeit erreicht, was für Schmelzklebstoffanwendungen sowie bei der Materialextrusion AM von Vorteil ist. Die Henkel Corporation stellte das Material freundlicherweise in Form von stranggeschnittenen Pellets zur Verfügung.

Das Filament wurde mit einem Dr. Collin-Einschneckenextruder (COLLIN Lab & Pilot Solutions GmbH) extrudiert. Eine Düse mit 3,5 mm Durchmesser wurde verwendet, um Filamente mit einem Durchmesser von 2,85 ± 0,06 mm zu extrudieren. Einzelheiten zu den Parametern des Extrusionsprozesses finden Sie in früheren Arbeiten36.

ASTM D638-14 Typ-V-Zugstäbe wurden mit einem Ultimaker 3 FFF-Drucker bei einer Umgebungstemperatur von 22 ± 1 °C gedruckt. Die Extruderdüse hat einen Durchmesser von 0,4 mm. G-Code wurde in Cura 4.3 generiert. Die Proben waren entlang der XY-Ebene ausgerichtet, was bedeutet, dass die größte Oberfläche der Proben das Druckbett berührte. Druckbetttemperatur und Füllung wurden für alle Drucke auf 60 °C bzw. 110 % eingestellt. Alle Proben wurden mit 30 mm/s gedruckt, da mit dieser Druckgeschwindigkeit qualitativ hochwertige Ausdrucke erzielt wurden. Der Rasterwinkel, der Winkel zwischen der Richtung der Füllstraßen relativ zur X-Achse des Druckbetts, wurde zufällig auf 45° oder 90° gewählt. In früheren Arbeiten wurde gezeigt, dass die Streckgrenze (σy), die Streckgrenze (εy) und die Zugfestigkeit (σf) von FFF-gedrucktem Technomelt PA 6910 unabhängig vom Rasterwinkel sind. Es wurde gezeigt, dass die maximale Zugdehnung (εf) für Teile mit einem Rasterwinkel von 0° statistisch signifikant niedriger ist, obwohl alle Ergebnisse in einem kleinen Bereich von (1104–1265 %) liegen36. Anschließend haben wir die Zugdaten ausgewertet, um die Varianz des Elastizitätsmoduls mit den Rasterwinkeln zu bestimmen, und festgestellt, dass diese statistisch nicht signifikant war (Hintergrundinformationen, Abb. S1). Ein JEOL JSM 6390 (JEOL USA Inc.) wurde verwendet, um REM-Bilder von kryogen gebrochenen Querschnitten der FFF-Zugstäbe zu sammeln.

Die DSC wurde an gedruckten Proben mit einem Discovery DSC (TA Instruments) durchgeführt. Von der Messlänge der gedruckten Zugstäbe wurden Proben entnommen und die Bedingungen dreifach getestet. Die Proben wurden in hermetischen Aluminiumpfannen vorbereitet und dann von –50 auf 250 °C erhitzt, auf –90 °C abgekühlt und erneut auf 250 °C mit Heiz- und Kühlraten von 10 K/min erhitzt.

Dichtemessungen wurden in dreifacher Ausfertigung von Filament- und Zugproben aus jeder Testbedingung durchgeführt. Diese Messungen wurden mit einem Dichtebestimmungskit (Sartorius AG) mit Ethanol als flüssigem Medium durchgeführt. Zur Bestimmung seiner Dichte \((\rho (f)\)) wurde die Temperatur des Ethanols gemessen. Für jede Probe/Filament wurden das Gewicht in Luft (\(W(a)\)) und das Gewicht in Ethanol (\(W(f)\)) gemessen. Die Dichte (\(\rho\)) wurde gemäß Gl. berechnet. (1).

Der in dieser Arbeit verwendete Trainingsdatensatz ist in Tabelle S1 verfügbar und die Druckbedingungen für die Trainingsbeispiele sind in Tabelle S2 zusammengefasst. Die ersten Trainingsproben, die aus früheren Studien von Pourali und Peterson36 stammen, werden als Iteration 1 bezeichnet. Für alle nachfolgenden Iterationen lag die Extrudertemperatur (Text) im Bereich von 200 bis 240 °C und die Schichthöhe (h) im Bereich von 0,06 bis 0,4 mm. 25 mögliche Kombinationen wurden durch die Aufteilung der Text- und h-Bereiche in fünf gleichmäßig verteilte Werte generiert. Dieser Ansatz erzwang einen angemessenen Abstand zwischen den Trainingsdatenpunkten. Darüber hinaus würde eine feinere Diskretisierung die Wahrscheinlichkeit erhöhen, dass aufgrund der experimentellen Kosten nicht der gesamte Designraum erforscht wird. Ein GPR-basierter AL-Prozess half bei der Identifizierung der zusätzlichen Druckbedingungen für Trainingsbeispiele, die als Iteration 2 und Iteration 3 gekennzeichnet sind. Der GPR-Algorithmus wurde verwendet, um die fünf Parameterbedingungen mit dem höchsten Maß an Unsicherheit zu identifizieren, die dann als angenommen wurden Druckbedingungen für die nächsten Iterationen. S1.2 bietet eine theoretische Erklärung von AL mit GPR.

Da der Gestaltungsspielraum auf nur 25 Punkte reduziert wurde, wurden die fünf besten Bedingungen ausgewählt. Wenn der Entwurfsraum in feinere Bereiche unterteilt würde, wäre die Auswahl der fünf besten Bedingungen mit dem höchsten Maß an Unsicherheit nicht ausreichend, um alle Bereiche zu untersuchen, da die Trainingsdatenerfassung für diese Arbeit äußerst zeitaufwändig ist. Um einen Eindruck von der Zeit zu vermitteln, die für die experimentelle Erfassung eines Datenpunkts für den Trainingsdatensatz erforderlich ist, dauert es etwa 25 Minuten, einen Zugstab im FFF-Verfahren mit ausgewählten Druckparametern zu drucken, zusätzlich zu weiteren 10 Minuten, um Zugtests daran durchzuführen und analysieren Sie die Ergebnisse. Dadurch, dass für die Iterationen 2 und 3 nur die fünf Druckbedingungen mit dem höchsten Maß an Unsicherheit ausgewählt wurden, konnte der Zeitaufwand für die Erfassung eines brauchbaren Trainingsdatensatzes drastisch reduziert werden.

Ein Zufallszahlengenerator wurde verwendet, um Testmuster-Druckbedingungen zu bestimmen und die Leistung trainierter ML-Modelle zu bewerten. Unser Ziel war es, die Leistung des Modells anhand von Testdaten zu bewerten, die sich wirklich von den Trainingsdaten unterscheiden. Text und h waren auf die gleichen Bereiche wie die Trainingsdaten (200–240 °C bzw. 0,06–0,4 mm) beschränkt, jedoch nicht auf die 25 Bedingungen, die durch die Diskretisierung des Designraums generiert wurden. Die Zufallsstichprobenmethode führte zu Druckbedingungen, die weniger gleichmäßig verteilt waren, als wenn eine orthogonale Methode wie Latin Hypercube Sampling (LHS) verwendet wurde. Wir verwendeten Zufallsstichproben, um eine kleine Anzahl von Teststichproben zur Bestimmung der Genauigkeit der Vorhersagemodelle zu erstellen. Die Anzahl der erforderlichen Testfälle musste begrenzt werden, da die Daten aus physikalischen Experimenten stammten, die einen erheblichen Zeit- und Arbeitsaufwand für die Generierung von Proben, die Durchführung mechanischer Tests und die Analyse der Ergebnisse erforderten. Tabelle 1 zeigt die Druckparameterbedingungen für die Testmuster. Pro Zustand wurden sechs Exemplare gedruckt. Abbildung 1 veranschaulicht die Druckbedingungen, die zum Trainieren von ML-Modellen und zum Testen von Proben verwendet werden, die zu Evaluierungszwecken im gesamten Parameterraum ausgerichtet sind.

Druckbedingungen für die Iterationen 1, 2 und 3 und Testbeispiele.

Die Zugprüfung wurde an einem Instron 4481 mit einer 10-kN-Lastzelle gemäß ASTM D638-14 durchgeführt. Die Traversengeschwindigkeit wurde auf 75 mm/min eingestellt, so dass die Bruchzeiten im empfohlenen Zeitbereich von 30 s bis 5 min lagen. Bei der Bestimmung der Streckgrenze wurde ein Versatz von 2 % berücksichtigt.

Die Eingabeparameter waren Text und h. Die Ausgabeparameter, die in Abb. 2 dargestellt sind, waren Spannung 1 (y1), Dehnung 1 (x1), Spannung 2 (y2), Dehnung 2 (x2) und Elastizitätsmodul (\(E\)). y1 und x1 sind etwas höher als σy bzw. εy, während y2 und x2 äquivalent zu σf bzw. εf sind. Diese Ausgabeparameter wurden ausgewählt, weil (1) sie wichtige Zugeigenschaften darstellen oder annähern; (2) Zusammengenommen stellen diese Parameter die Schlüsselmerkmale einer Spannungs-Dehnungs-Kurve dar; und (3) sie können einfach und reproduzierbar aus experimentellen Zugdaten bestimmt werden, was die Datenverarbeitung für Trainingsdaten und die Bewertung der Modellgenauigkeit für Testdaten unterstützt.

Typische Spannungs-Dehnungs-Kurve mit hervorgehobenen Modellausgabeparametern.

Ziel der Studie war es, die Leistung von Regressionsmodellen für die Vorhersage von \(E\), y1, y2, x1 und x2 zu bewerten. Insgesamt 124 Stichproben aus den Iterationen 1, 2 und 3 wurden als Trainingsdaten für vier Regressionstechniken verwendet, nämlich lineare Regression (LR), Ridge-Regression (RR), Gaußsche Prozessregression (GPR) und K-nächste Nachbarn (KNN). ). LR wurde als Basismodell verwendet, um die Vorhersagequalität der Regressionsmodelle zu vergleichen. Alle Regressionsmodelle wurden von scikit-learn übernommen, einer Open-Source-Bibliothek für maschinelles Lernen für die Programmiersprache Python37. MinMaxScalar von scikit-learn wurde als Vorverarbeitungsschritt verwendet, um die Features so zu skalieren, dass sie zwischen Null und Eins liegen38. Der RR-Algorithmus in dieser Arbeit verwendete Polynommerkmale vom Grad 3. Im GPR-Algorithmus wurde eine Kernelfunktion auf radialer Basis (RBF) verwendet, um Ähnlichkeiten zwischen Datenproben zu modellieren. Für den KNN-Regressionsalgorithmus wurde die Anzahl der nächsten Nachbarn mit 10 angenommen. Diese Regressionsansätze werden in S1.1 ausführlicher beschrieben.

Für die in dieser Arbeit verwendete AL-Strategie begannen wir mit 47 Trainingsdatenpunkten, die als Iteration 1 kategorisiert wurden. 26 dieser Datenpunkte wurden zuvor von Pourali und Peterson36 gemeldet. GPR wurde verwendet, um die mit Iteration 1 verbundenen Unsicherheiten abzuschätzen, um die Druckparameter für Iteration 2-Proben zu erhalten, bei denen es sich um die Proben handelte, die mit Bedingungen der höchsten Ausgabeunsicherheit verbunden waren. Die Ergebnisse aus Iteration 2 wurden in das Modell eingegeben und GPR wurde verwendet, um die neue Modellunsicherheit abzuschätzen und die mit der höchsten Unsicherheit verbundenen Verarbeitungsparameter zu identifizieren – diese Bedingungen wurden dann für Iteration 3 ausgewählt. Zusammen wurden diese Daten zum Trainieren verwendet ML-Modelle, die dann die diskutierten Ausgabeparameter für die Testdatenbedingungen vorhersagten, und die Genauigkeit der Modelle wurden durch Vergleich der Modellergebnisse mit den experimentellen Ergebnissen bewertet. Ein Diagramm dieses Prozesses ist in Abb. S2 dargestellt.

Der Trainingsdatensatz, der von Pourali und Peterson sowie von Experimenten stammt, die zur Bestimmung der in dieser Studie zu verwendenden Druckparameter führten, wurde zunächst auf Korrelationen zwischen Druckparametern (Eingaben) und mechanischen Eigenschaften (Ausgaben) sowie auf Korrelationen zwischen diesen untersucht unterschiedliche mechanische Eigenschaften36. Eine in Abb. 3 dargestellte Heatmap wurde mit dem in der Seaborn-Bibliothek verfügbaren Algorithmus erstellt.

Heatmap, die Korrelationen zwischen den Eingabe- und Ausgabeparametern des Trainingsdatensatzes zeigt.

Text korreliert positiv mit y2 und x2, die jeweils σf und εf entsprechen. Dieses Ergebnis steht im Einklang mit früheren Arbeiten, bei denen die Grenzspannung und -dehnung mit zunehmendem Text aufgrund der höheren Zwischenschichthaftung zunahm36. h korreliert positiv mit \(E\), aber negativ mit x1. In dieser Arbeit lag h im Bereich von 0,06 bis 0,4 mm. Frühere Arbeiten zeigen, dass sich die mechanischen Eigenschaften von Technomelt PA 6910 verbessern, wenn h aufgrund des zunehmenden Kontakts zwischen den angrenzenden Straßen von 0,06 mm auf 0,15 mm ansteigt. Text beeinflusste die mechanischen Eigenschaften stärker als h, was auch von Pourali und Peterson beobachtet wurde.

Unter Berücksichtigung der Ausgabeparameter korreliert \(E\) positiv mit y1, jedoch negativ mit x1. x2 und y2 sind stark positiv korreliert. Basierend auf diesen Korrelationen zwischen den verschiedenen Ausgabevariablen könnten \(E\) und y2 verwendet werden, um die anderen Ausgabevariablen einer bestimmten Probe zu schätzen, die unter einer bestimmten Druckbedingung gedruckt wurde.

Die Testbedingungen können in zwei Kategorien unterteilt werden: (1) Höherer Text/niedrigerer h (Bedingungen A und E) und (2) Niedrigerer Text/höherer h (Bedingungen B, C und D). Abbildung S3 zeigt Spannungs-Dehnungs-Kurven aus Zugversuchen von Proben, die unter den Testbedingungen gedruckt wurden. Die auf der Grundlage dieser Daten ermittelten mechanischen Eigenschaften sind zusammen mit dem Hohlraumgehalt und den DSC-Ergebnissen in Tabelle 2 zusammengefasst. εy trat unter allen Bedingungen bei etwa 30 % Dehnung auf.

Proben der Bedingung E hatten die höchsten \(E\) und σf, was auf eine ausgezeichnete Haftung zwischen den Schichten hinweist. Obwohl Proben unter Bedingung A Druckparameter (Text und h) aufweisen, die denen von Bedingung E sehr nahe kommen, haben sie statistisch signifikant niedrigere \(E\) (38,3 ± 1,6 vs. 47,2 ± 1,3 MPa) und versagten bei statistisch signifikant niedrigeren σf (21,2 ± 0,9 vs. 25,2 ± 1,6 %) bei einem 95 %-Konfidenzintervall. Dies weist darauf hin, dass die Haftung innerhalb der Schicht bei den Proben im Zustand A schlechter war39. Proben der Kategorie 1 (A und E) wiesen die niedrigsten Hohlraumanteile auf. Abbildung 4 zeigt REM-Bilder von kryogen gebrochenen Proben. Die Bedingungen A und E führten zu gut verfestigten Proben ohne erkennbare Zwischen-/Intraschichthohlräume zwischen den abgelagerten Straßen. Dies ist teilweise auf die niedrige Materialviskosität bei hohen Extrudertemperaturen zurückzuführen. Es wurden jedoch einige kleinere Hohlräume beobachtet, die möglicherweise auf flüchtige Stoffe zurückzuführen sind, die während des Druckens verdampften. Obwohl das SEM keine durch flüchtige Stoffe verursachten Hohlräume für Proben der Bedingungen B, C und D zeigt, ist es wichtig zu beachten, dass in diesen Proben ähnliche Hohlräume vorhanden sein können, da das SEM nur Informationen über einen einzelnen Querschnitt liefert. Der Grund für die geringeren Zugeigenschaften der Proben im Zustand A im Vergleich zu Proben im Zustand E konnte nicht anhand ihrer Dichten oder Bruchflächen bestimmt werden.

REM-Bilder von kryogen gebrochenen Oberflächen von Testproben, die unter den Bedingungen A, B, C, D und E gedruckt wurden.

Proben der Kategorie 2 (Bedingungen B, C und D) hatten einen höheren Hohlraumanteil als Proben der Kategorie 1 (Bedingungen A und E). Ein höherer Hohlraumgehalt kann zu schlechteren mechanischen Eigenschaften in FFF40 führen. Die höheren Hohlraumgehalte der Proben der Bedingungen B und C stehen im Einklang mit ihren geringeren Zugfestigkeiten. Die Bruchflächen der Proben der Bedingungen B und C in Abb. 4 zeigen auch viele Hohlräume zwischen den Straßen. Allerdings zeigte Zustand D eine vergleichbare Zugfestigkeit wie Zustand A, der den niedrigsten Hohlraumanteil aufwies. Die Art und Lage der Hohlräume in den Proben im Zustand D unterschieden sich von den Proben im Zustand B und C, wobei die Hohlräume in den Proben im Zustand D näher an den Druckwänden auftraten und große Bereiche in der Mitte frei von Hohlräumen blieben. Diese Hohlräume wirken sich nicht so stark auf die Zugfestigkeit aus wie diejenigen in den Proben im Zustand B und C.

Tabelle 2 zeigt auch die Schmelzenthalpie und Schmelztemperaturen (Tm) der unter Testbedingungen gedruckten Proben. Repräsentative Heizkurven sind in Abb. S5a dargestellt. Die Tm-Werte liegen für alle Proben im gleichen Bereich. Die Schmelzenthalpien unterscheiden sich jedoch teilweise. Proben der Bedingung C weisen die niedrigste Schmelzenthalpie auf, was eine Ursache für die geringe Zugfestigkeit der Bedingung C sein könnte. Interessanterweise hatten Proben der Bedingung D eine deutlich höhere Schmelzenthalpie im Vergleich zu Proben der Bedingung C, obwohl die Text- und h-Werte im gleichen Bereich liegen. Proben der Bedingung C wurden in einem Rasterwinkel von 90° erneut gedruckt und ihre Schmelzenthalpie betrug 20,5 ± 0,3 J/g, was viel näher an anderen Druckbedingungen liegt (Abb. S5b) und bestätigt, dass der Unterschied in der Kristallinität besteht aufgrund des Rasterwinkels. Technomelt PA 6910 kann bei Raumtemperatur langsam kristallisieren, sodass die Kristallinitätswerte über Stunden bei Raumtemperatur ähnliche Werte erreichen sollten, vorausgesetzt, sie beginnen mit der gleichen Anzahl von Keimbildungsstellen. Diese Ergebnisse deuten darauf hin, dass bestimmte Kombinationen von Text, H und Werkzeugwegauswahl für eine bestimmte Geometrie zu einer strömungsinduzierten Kristallisation in Technomelt PA 6910 führen können. Wir haben auch versucht, den Grund für die offensichtlich höheren Zugeigenschaften von Proben im Zustand E im Vergleich zum Zustand zu ermitteln A-Proben mittels DSC-Analyse. Es gab keinen statistisch signifikanten Unterschied zwischen den Schmelzenthalpien der Proben unter diesen beiden Bedingungen, daher können Unterschiede zwischen den Bedingungen A und E nicht auf Unterschiede in der Kristallinität zurückgeführt werden. Die Wahl des Rasterwinkels kann sich auf die Zugeigenschaften von Proben aus den Bedingungen A und E auswirken. Die Proben der Bedingungen A, B, C und D zeigten statistisch nicht unterscheidbares \(E\). \(E\) der Proben mit Zustand E war höher als die anderen. Die Textwerte für die Proben unter Bedingung B, C und D lagen sehr nahe beieinander, was wahrscheinlich ihre ähnlichen Werte für εy, σy und \(E\) erklärt. Bedingung E hatte einen höheren Text als Bedingung B, C und D. Dies könnte zu einer höheren Zwischenschichthaftung und damit zu einem höheren \(E\) führen. Weitere Erhöhungen von Text führten zu einem niedrigeren \(E\), was für Proben der Bedingung A beobachtet wurde.

Abbildung S4 zeigt die Korrelationen zwischen den Eingabe- und Ausgabeparametern im Testdatensatz. Ähnliche Korrelationen zwischen Text und den Ausgaben wurden sowohl in Trainings- als auch in Testdatensätzen beobachtet. Allerdings stimmten die Korrelationen zwischen h und den Ausgaben im Testdatensatz nicht vollständig mit dem Trainingsdatensatz überein. Insbesondere wurde im Trainingsdatensatz keine Korrelation zwischen h und y2 beobachtet, während im Testdatensatz eine ausgeprägte negative Korrelation zwischen ihnen beobachtet wurde. Die Korrelationen zwischen den Ausgabeparametern waren in beiden Datensätzen ähnlich. Insgesamt deuten diese Korrelationen darauf hin, dass sich die Trainings- und Testdatensätze ähnlich verhalten.

Die funktionalen Beziehungen zwischen vorhergesagten Ausgabevariablen (y1, x1, y2, x2 und \(E\)) und Eingabevariablen (Text und h) sind in Abb. 5 dargestellt. Die LR-Oberflächen für alle vorhergesagten Ausgaben wurden beobachtet völlig flach. Die Verwendung eines Polynoms dritten Grades für RR führte zu Nichtlinearität, was mit dem Diagramm der gekrümmten Oberfläche übereinstimmt. Diese Beobachtung steht im Einklang mit dem bekannten Bias-Varianz-Kompromiss bei ML, bei dem ein Modell mit weniger Freiheitsgraden typischerweise unter einer höheren Bias leidet (d. h. es fehlen die relevanten Input-Output-Muster). KNN und GPR ergaben Oberflächen mit lokalen Maxima und Minima. Die vorhergesagten Ergebnisse unter den Testbedingungen wurden mit den experimentellen Werten verglichen, um die Vorhersagequalität der Regressionsmodelle in Abb. 6 zu bewerten. Die Daten in Abb. 6 sind auch als Balkendiagramme in Abb. S6 verfügbar. Für die anschließende Diskussion der Modellvorhersagequalität für verschiedene Ausgaben betrachten wir einen Fehler von 0 bis 10 % als gute Leistung, 11 bis 20 % als mäßige Leistung und 21 bis 40 % als schlechte Leistung. Diese Bereiche wurden ausgewählt, da sie den gesamten Bereich der beobachteten Fehler umfassen.

Oberflächendiagramme zur Darstellung der Beziehung zwischen Eingaben (Text und h) und verschiedenen vorhergesagten Ausgaben [(a) y1; (b) x1; (c) y2; (d) x2; und (e) E], wie sie von verschiedenen Regressionsmodellen (KNN, GPR, RR und LR) innerhalb der in Abb. 1 definierten Eingabeparameterbereiche generiert werden. Für GPR stellen Fehlerbalken die Vorhersageunsicherheit dar.

Bewertung der Modellgenauigkeit durch Vergleich der experimentellen und vorhergesagten Ausgabewerte [(a) y1; (b) × 1; (c) y2; (d) × 2; und (e) E] aus GPR-, KNN-, RR- und LR-Regressionsmodellen für die unter Testbedingungen gedruckten Proben (A, B, C, D und E).

LR- und RR-Modelle sagten voraus, dass y1 unabhängig von Text und h ist. GPR hat vorhergesagt, dass es in y1 lokale Maxima und Minima geben wird. GPR sagte das niedrigste y1 bei der niedrigsten Text- (200 °C) und niedrigsten h-Prozessparameterkombination (0,06 mm) voraus, wohingegen die größten y1-Werte bei Text = 227–222 °C und h = 0,36 mm vorhergesagt wurden. GPR sagte außerdem voraus, dass bei hohem Text (235–240 °C) eine Änderung von h keinen Einfluss auf y1 hat. KNN prognostizierte, dass y1 unabhängig von den Verarbeitungsparametereinstellungen im Bereich von 10–15 MPa liegen würde, mit einer geringen lokalen Variation von y1.

LR und RR zeigten eine gute Vorhersageleistung für die Bedingungen A, B, C und D und eine mäßige Leistung für die Bedingung E. LR und RR sagten y1 für alle Testbedingungen mit 12–12,6 MPa voraus, unabhängig von Text oder h. Die experimentellen y1-Werte für die Bedingungen A, B, C und D stimmten mit diesen Vorhersagen überein und lagen zwischen 12 und 12,8 MPa ohne statistisch signifikante Unterschiede bei einem Konfidenzintervall von 95 %. Proben der Bedingung E hatten ein höheres y1 als andere Druckbedingungen, was erklärt, warum LR und RR y1 für Bedingung E unterschätzten. GPR und KNN schnitten bei der Vorhersage von y1 schlechter ab als LR und RR. Der von GPR vorhergesagte Bereich für y1 überlappte mit den experimentellen Bereichen für y1 für die Testbedingungen B und E; Für Bedingung A wurde eine mäßige Leistung beobachtet. Für die Bedingungen C und D wurde eine schlechte Leistung beobachtet. GPR übertraf alle anderen Modelle bei der Vorhersage von y1 für die Bedingung E. KNN zeigte eine gute Leistung bei der Vorhersage von y1 für die Bedingungen B, C und D und eine mäßige Leistung für die Bedingungen A und E. KNN überschätzte y1 für Bedingung A und untervorhergesagt für Bedingung E. Ein möglicher Grund ist, dass KNN die nächsten Nachbarn im Trainingsdatensatz stärker gewichtet als die entfernten Punkte. Die Testbedingungen A und E liegen sehr nahe an der Trainingsbedingung 19 (Text = 230 °C und h = 0,06 mm), die einen mittleren y1 von 13,3 MPa aufwies. KNN prognostizierte Werte nahe 13,3 MPa für die Testbedingungen A und E, die y1-Werte von 12,5 MPa bzw. 13,3 MPa aufwiesen.

LR, RR und GPR haben vorhergesagt, dass x1 keine Funktion von Text ist. Diese Modelle sagten auch voraus, dass der niedrigste Wert von h zum höchsten x1 führt. KNN prognostizierte, dass x1 zwischen 0,4 und 0,6 mm/mm liegen würde. KNN sagte voraus, dass das Maximum x1 bei Text = 226–235 °C und h = 0,14–0,17 mm auftreten würde, während die niedrigsten x1-Werte für Text = 240 °C mit h = 0,32–0,4 mm vorhergesagt wurden. KNN sagte außerdem voraus, dass ein hoher Wert von x1 (0,06 mm/mm) erreicht werden könnte, wenn h bei niedrigeren Werten von Text (203–213 °C) zwischen 0,06 und 0,1 mm schwankte.

LR und RR zeigten eine gute Vorhersageleistung für die Bedingungen A und E; mäßige Leistung für die Bedingungen B und D; und schlechte Leistung für Bedingung C. Wie in Abb. 5b gezeigt, sagten LR und RR höhere x1 mit mehr Text voraus und sagten folglich höhere x1 für die höheren Textproben (Bedingungen A und E) und niedrigere x1 für niedrigere Textproben (Bedingungen B) voraus , C und D). LR und RR haben y1 für die Bedingungen B, C und D unterschätzt. GPR hat bei der Vorhersage von x1 unter allen Testbedingungen eine mäßige Leistung erbracht. Die experimentellen x1-Werte waren für alle Testproben konsistent, mit einem Durchschnittswert von 55,7 ± 1,02 % Dehnung. Nur GPR konnte dieses Verhalten erfolgreich erfassen, da es das einzige Modell war, das die x1-Werte für alle Bedingungen im gleichen Bereich vorhersagte, obwohl sie um etwa 13 % unterschätzt wurden. KNN schnitt unter allen Testbedingungen mäßig ab, mit Ausnahme der Ausdrucke unter Bedingung B, bei denen es eine schlechte Leistung zeigte. Die beste Leistung von KNN wurde für Bedingung E erzielt, die der Trainingsbedingung 19 (Text von 230 °C und h von 0,06 mm) sehr nahe kommt, mit einem durchschnittlichen x1 von 45 %. KNN prognostizierte 47,7 % für x1 der Bedingung E, was einer Untervorhersage von 13 % gegenüber dem experimentellen x1-Wert von 54,6 % entspricht.

Sowohl LR als auch RR haben vorhergesagt, dass Text y2 beeinflusst, h jedoch nicht. GPR zeigte Spitzen und Täler im Oberflächendiagramm für y2 und sagte das niedrigste y2 für den niedrigsten Text (200 °C) und das niedrigste h (0,06 mm) voraus, während das Maximum y2 bei Text = 217–222 °C und h vorhergesagt wurde = 0,32 mm. Ähnlich wie LR und RR sagte KNN eine allgemein positive Korrelation mit Text voraus.

LR und RR zeigten eine gute Leistung bei der Vorhersage von y2 für die Bedingungen A, B und C und eine schlechte Leistung für Bedingung E. Für Bedingung D zeigte RR eine mäßige Vorhersageleistung, während LR eine schlechte Leistung zeigte. Aus der Heatmap in Abb. 5 wurde festgestellt, dass y2 und Text stark positiv korrelieren. Dies könnte der Grund dafür sein, dass LR und RR höhere y2 für höhere Textdruckbedingungen vorhersagten und die experimentellen Werte für die Bedingungen A, B und C erfassten. KNN ist das leistungsstärkste Modell zur Vorhersage von y2. Für die Bedingungen A, B, C und D wurde eine gute Leistung und für die Bedingung E eine mäßige Leistung beobachtet. KNN hat y2 für Bedingung B und y2 für Bedingung D mit nur 3 % Fehler genau vorhergesagt. Testbedingung B liegt nahe an den Trainingsbedingungen 5 (Text = 220 °C und h = 0,20 mm) und 6 (Text = 220 °C und h = 0,15 mm). y2 für Proben der Testbedingung B liegt sehr nahe am Durchschnitt für die Trainingsbedingungen 5 und 6, der bei 19,18 MPa liegt. Die Ähnlichkeit mit Bedingungen in der Nähe erklärt, warum KNN bei der Vorhersage von y2 der Bedingung B mit einem Fehler von 0,5 % eine beeindruckende Leistung erbrachte. In ähnlicher Weise liegt die Vorhersage von KNN für Bedingung D mit y2 (20,3 MPa) nahe bei y2 für Trainingsbedingung 7 (Text = 220 °C und h = 0,30 mm), was 21 MPa entspricht. GPR übertraf LR und RR mit einer guten Vorhersageleistung für die Bedingungen A, C und D und einer mäßigen Leistung für die Bedingungen B und E. Alle Modelle unterschätzten y2 für Testbedingung E, obwohl GPR mit einem Fehler von 11 % die beste Leistung erbrachte.

In Experimenten wurde die höchste Zugfestigkeit (y2) für Proben im Zustand E und die niedrigste für Proben im Zustand C beobachtet. Das niedrige y2 für Bedingung C ist wahrscheinlich darauf zurückzuführen, dass sie den niedrigsten Text hat. Der niedrigste Text kombiniert mit dem höchsten h erzeugte die höchste Menge an Zwischenschichthohlräumen und die niedrigste Schmelzenthalpie/Kristallinität. Die Zugfestigkeit korreliert bei einer Vielzahl von Polymerrohstoffen positiv mit Text, da sie die Verschweißung zwischen den Schichten erhöht41,42,43. h ist für Bedingung C am höchsten, weshalb möglicherweise ein niedriger Text eine wichtigere Rolle als h bei der Bestimmung der Zugfestigkeit spielte. In der Literatur besteht kein Konsens über die Auswirkung von h auf die Zugfestigkeit, wobei sowohl negative43,44,45 als auch positive46,47,48 Korrelationen berichtet werden. Wir beobachten keine Korrelation zwischen h und y2 in der Heatmap des Trainingsdatensatzes; Im Testdatensatz wurde jedoch eine negative Korrelation beobachtet (Abb. S4). Diese Diskrepanz verdeutlicht eine Einschränkung bei der Verwendung eines kleinen Trainingsdatensatzes. Aufgrund unzureichender Granularität konnten die Modelle die Korrelationen zwischen h und y2 nicht aus dem Trainingsdatensatz lernen. Daher haben LR, RR und KNN y2 für Bedingung E unterschätzt. Sowohl LR als auch RR haben vorhergesagt, dass Bedingung A das höchste y2 haben würde, was plausibel erschien, da Bedingung A den höchsten Text unter den Testbedingungen hatte. Stattdessen wurde der höchste y2-Wert aus Bedingung E erhalten, die RR nicht erfassen konnte, höchstwahrscheinlich weil der Trainingsdatensatz keine Rasterausrichtung als eines der Eingabemerkmale aufwies.

LR und RR sagten ähnlich wie y2 voraus, dass Text einen größeren Einfluss auf x2 hat als h. GPR hat die niedrigsten x2-Werte für die niedrigste Kombination aus Text (200 °C) und niedrigstem h (0,06 mm) und die größten x2-Werte für Text = 217–222 °C und h = 0,32 mm vorhergesagt. KNN sagte voraus, dass das höchste x2 bei Text = 235–240 °C und h ~ 0,1 mm erreicht werden würde. LR und RR zeigten eine gute Leistung bei der Vorhersage von x2 für die Bedingungen A, B und D und eine mäßige Leistung für die Bedingungen C und E. Die experimentellen x2-Werte für die Bedingungen A, D, E sind deutlich höher als für die Bedingungen B und C. Allerdings gilt für Bedingung D ähnelt Bedingung C in Bezug auf Text und h. Die höheren experimentellen x2-Werte für die Bedingungen A und E im Vergleich zu B und C sind auf den höheren Text der Bedingungen A und E zurückzuführen. Höherer Text verbesserte die Diffusion zwischen den Schichten und reduzierte Hohlräume zwischen Straßen, was zu besseren Zugeigenschaften und einem Versagen bei höherer Grenzdehnung/x2 führte. LR und RR waren einigermaßen erfolgreich darin, diesen experimentellen Trend zu erfassen und höhere x2-Werte für die Bedingungen A, D und E im Vergleich zu B und C vorherzusagen. Obwohl LR und RR ähnliche x2-Werte für die Bedingungen D und E vorhersagten, war der experimentelle x2-Wert für Bedingung E war deutlich höher als Bedingung D. KNN schnitt unter allen Druckbedingungen mäßig gut ab. GPR zeigte unter den Bedingungen A und E eine gute Leistung; mäßig für Ausdrucke im Zustand C; und schlecht für die Bedingungen B und D. GPR und KNN sagten beide voraus, dass x2 für Bedingung D höher sein würde als für Bedingung E, was mit den experimentellen Ergebnissen nicht übereinstimmt.

LR und RR haben beide vorhergesagt, dass \(E\) stärker von h als von Text beeinflusst wird. GPR sagte auch einen etwas positiven Trend von \(E\) mit h voraus. Ähnlich wie bei y1 sagte GPR voraus, dass das höchste \(E\) mit Text im Bereich von 227–222 °C und h = 0,36 mm erhalten würde. Im Gegensatz zu GPR sagte KNN voraus, dass \(E\) im Textbereich von 217–222 °C vergleichsweise niedriger sein würde. Der höchste \(E\) (52–54 MPa) wurde für Text = 235–240 °C und h = 0,36–0,4 mm sowie Text = 226–231 °C und h = 0,2–0,25 mm beobachtet. Bei relativ niedriger Temperatur (200–213 °C) sagte KNN hohe Werte von \(E\) (~ 50 MPa) für h = 0,2–0,4 mm voraus.

Die experimentellen \(E\)-Werte lagen für die Bedingungen A, B, C und D sehr nahe beieinander (38–40 MPa). Wir beobachteten einen höheren \(E\)-Wert für die Bedingung E. Obwohl die Bedingungen A und E sehr ähnlich sind , \(E\) für Bedingung E war wesentlich höher als für Bedingung A. Dies ist überraschend und kann nicht durch Hohlraumgehalt, Hohlraumposition oder Schmelzenthalpie erklärt werden.

LR und RR zeigten eine gute Leistung bei der Vorhersage von \(E\) für die Bedingungen A und B; mäßig für Zustand E; und schlecht für die Bedingungen C und D. KNN zeigte nur für Bedingung D eine gute Leistung; mäßig für die Bedingungen B, C und E; und schlecht für Bedingung A. GPR zeigte nur für Bedingung E eine gute Leistung; mäßig für Zustand B; und schlecht für die Bedingungen A, C und D. Kein einzelnes Modell zeigte eine gute Vorhersageleistung für alle Druckbedingungen. \(E\) für die Bedingungen A und B werden am besten durch LR und RR vorhergesagt. Alle Modelle überschätzten \(E\) für Bedingung C und sagten voraus, dass diese Bedingung das höchste \(E\) unter allen Bedingungen aufweisen würde. Nur KNN zeigte eine mäßige Vorhersageleistung mit einem Fehler von 19 % für diese Bedingung.

Aus der Heatmap in Abb. 4 geht hervor, dass zwischen \(E\) und h eine starke Korrelation besteht, zwischen \(E\) und Text jedoch nur eine geringe bis keine Korrelation. Das Oberflächendiagramm in Abb. 5e zeigt, dass die Modelle \(E\) unabhängig von Text vorhersagten. Im Trainingsdatensatz wurde eine positive Korrelation zwischen Text und \(E\) erwartet, da mehr Text eine bessere Verschmelzung zwischen den Schichten bewirken sollte, was zu Proben mit höheren Zugeigenschaften führt41,42,43. Der kleine Trainingsdatensatz könnte erklären, warum in den Daten oder Modellen keine Korrelation zwischen \(E\) und Text beobachtet wurde. Es ist jedoch auch plausibel, dass sich Elastomersysteme anders verhalten als glasartige Materialien bei Raumtemperatur, sodass Text keinen Einfluss auf E hat. Diese Beobachtung verdeutlicht die Komplexität der Vorhersage mechanischer Eigenschaften additiv gefertigter Elastomermaterialien und bietet Möglichkeiten für zukünftige Untersuchungen. LR und RR sagten die niedrigsten \(E\)-Werte für Bedingung A und E voraus, da sie die kleinsten h-Werte hatten. Auch diese Bedingungen waren ähnlich, so dass die vorhergesagten Werte sehr nahe beieinander lagen. LR und RR konnten \(E\) für Bedingung A erfolgreich erfassen, scheiterten jedoch für Bedingung E, da die Proben für Bedingung E höhere \(E\)-Werte als erwartet aufwiesen. KNN hat \(E\) der Proben der Bedingung D erfasst, da diese Bedingung der Trainingsbedingung 7 (Text = 220 °C und h = 0,3 mm) sehr nahe kommt. GPR überschätzte die \(E\)-Werte für alle Testbedingungen, weshalb es erfolgreich war, die viel höheren \(E\) der Bedingungen E zu erfassen.

Bei jeder Iteration der adaptiven Datengenerierungstechnik wurden der mittlere quadratische Fehler (RMSE) und der mittlere absolute Fehler (MAE) berechnet, um die Vorhersageleistung der Regressionsmodelle zu bewerten, und sind in Abb. 7 dargestellt.

Werte des mittleren quadratischen Fehlers (RMSE) und des mittleren absoluten Fehlers (MAE), die über drei Iterationen des aktiven Lernens zur Vorhersage von (a) y1 erhalten wurden; (b) x1; (c) y2; (d) x2; und (e) E mit GPR, KNN, LR und RR.

Beim Training mit dem Datensatz aus der ersten Iteration erzielten LR, RR und KNN eine ähnliche Leistung bei der Vorhersage von y1 basierend auf vergleichbaren RMSE- und MAE-Werten, während GPR eine schlechte Leistung erbrachte. Beim Training mit dem zweiten Iterationsdatensatz stiegen die RMSE- und MAE-Werte für LR, RR und KNN im Vergleich zum ersten Iterationsdatensatz unerwartet an. Das lag möglicherweise daran, dass sich fünf der Druckbedingungen von Iteration 2 am Rand des Designraums befanden, im Gegensatz zu den Druckbedingungen für die Testmuster, die sich in der Mitte des Designraums konzentrierten. Im Gegensatz dazu profitierte GPR erheblich von der adaptiven Generierungsmethode. Beim Training mit dem zweiten Iterationsdatensatz sanken die RMSE- und MAE-Werte um 20 % bzw. 32 %, blieben aber größer als LR, RR und KNN. Aufgrund der vergleichsweise homogenen Abtastung des Designraums verringerten sich die RMSE- und MAE-Werte aller mit dem dritten Iterationsdatensatz trainierten Modelle. GPR zeigte im Vergleich zu LR, RR und KNN die höchste Reduzierung der RMSE- und MAE-Werte (61 %), was zeigt, dass es am meisten von diesem AL-Prozess profitiert. Äquivalente RMSE- und MAE-Werte deuten darauf hin, dass LR, RR und KNN alle vergleichbare Leistungen erbrachten. Obwohl GPR erheblich vom AL-Prozess profitierte, waren seine endgültigen RMSE- und MAE-Werte nach der dritten Iteration immer noch höher als die der anderen Modelle, was auf eine schlechtere Leistung hinweist. Zusätzliche adaptive Stichproben können GPR dabei helfen, seine Vorhersagequalität zu verbessern und andere Regressionsmodelle zu übertreffen.

Vergleichbare RMSE- und MAE-Werte zeigen, dass alle Modelle in der ersten, zweiten und dritten Iteration eine vergleichbare Leistung bei der Vorhersage von x1 aufwiesen. Die Qualität der Vorhersagen wurde durch den Ansatz der iterativen Trainingsdatenerfassung nahezu nicht beeinträchtigt. Die Trainingsbeispiele der ersten Iteration waren für das Lernen des Modells ausreichend und lieferten genaue Vorhersagen für x1 mit minimalem Fehler.

Alle Modelle außer GPR wurden nach der ersten Iteration bei der Vorhersage von y2 bestraft. Die RMSE- und MAE-Werte für y2 stiegen bei der dritten Iteration für LR (um 20 % bzw. 18 %) und RR (um 18 % bzw. 14 %) deutlich an. LR, RR und KNN lernten am besten aus dem Trainingsdatensatz der ersten Iteration, da diese Datenpunkte näher an den Testdatenpunkten liegen als die Datenpunkte aus Iteration 2 und 3. Ähnlich wie y1 zeigte GPR eine schlechte Leistung, wenn mit dem Training der ersten Iteration trainiert wurde Datensatz mit hohen RMSE- und MAE-Werten. RMSE und MAE sanken in der zweiten Iteration um 14 % bzw. 15 %. Diese Werte verringerten sich jedoch erheblich (beide um 82 %) und wurden mit denen von LR, RR und KNN vergleichbar, als GPR mit Daten aus der dritten Iteration trainiert wurde.

Beim Training mit Daten aus der dritten Iteration zeigten alle Modelle, insbesondere GPR und KNN, eine deutliche Verbesserung bei der Vorhersage von x2. Bei der zweiten Iteration gingen sowohl RMSE als auch MAE für GPR deutlich zurück (um 34 % bzw. 19 %), und dieser Trend setzte sich auch bei der dritten Iteration fort. KNN zeigte keine verbesserte Leistung, bis es mit dem Datensatz der dritten Iteration trainiert wurde, was höchstwahrscheinlich auf die Datenpunkte der dritten Iteration zurückzuführen ist, die sich in unmittelbarer Nähe der Testdatenpunkte befinden.

Die beste Leistung bei der Vorhersage von \(E\) wurde für RR beobachtet, wenn auf Daten aus der ersten Iteration trainiert wurde. LR profitierte erheblich von der dritten Iteration, während RR bestraft wurde. GPR profitierte erheblich von der adaptiven Datengenerierungstechnik und zeigte einen konstanten Abfall der RMSE- und MAE-Werte mit jeder aufeinanderfolgenden Iteration, zeigte jedoch im Vergleich zu LR, RR und KNN eine schlechtere Leistung.

AL, eine adaptive Datengenerierungstechnik, wurde verwendet, um einen Trainingsdatensatz für mit Technomelt PA 6910 gedruckte FFF-Proben zu generieren, um LR-, RR-, KNN- und GPR-Modelle zu trainieren. Das in dieser Studie verwendete adaptive Datengenerierungsschema ermöglichte die gleichzeitige Vorhersage von fünf kritischen Zugeigenschaften von FFF-Strukturen mit akzeptabler Genauigkeit. Die meisten Zugeigenschaften wurden mit einem Fehler von weniger als 10 % vorhergesagt. Aufgrund des in der Studie verwendeten kleinen Trainingsdatensatzes, der aus einer groben Diskretisierung (5 × 5) des Designraums resultierte, konnten die Regressionsmodelle jedoch einige Zugeigenschaften von Testproben nicht mit hoher Genauigkeit vorhersagen. Folglich gelang es den Vorhersagemodellen nicht, die durch Kristallinität oder Hohlräume verursachte Änderung der Zugeigenschaften innerhalb kleinerer Druckparameterbereiche als der vordefinierten Granularität der Text- und h-Verteilungen zu erfassen. Das Basismodell (LR) lieferte genaue Vorhersagen für die meisten Ausgabeparameter und zeigte, dass einfache lineare Modelle in Kombination mit einer adaptiven Datengenerierungstechnik zur Vorhersage von Zugeigenschaften geeignet sind. RR zeigte eine vergleichbare Leistung wie LR und zeigte manchmal eine höhere Leistung als LR. KNN schnitt im Vergleich zu LR und RR mäßig ab und verzeichnete die wenigsten Fälle von Unter- und Übervorhersagen. GPR schnitt im Vergleich zu den anderen Regressionsmodellen schlechter ab; GPR profitierte jedoch am meisten vom AL-Prozess, und mehr Stichproben durch den iterativen Prozess könnten dazu führen, dass GPR die anderen Modelle übertrifft.

Die mit der Zufallsstichprobe zur Testdatengenerierung verbundene Ungleichmäßigkeit bot in dieser Studie die Möglichkeit, ähnliche Druckbedingungen wie A und E oder B und D zu untersuchen, die zu unterschiedlichen Zugeigenschaften führten, die von den meisten Vorhersagemodellen nicht ausreichend erfasst wurden. Eine orthogonale Probenahme hingegen kann zu Testbedingungen führen, bei denen die Druckparameter zu weit voneinander entfernt sind, was die Beobachtung des anormalen Zugverhaltens einschränkt. Die DSC- und SEM-Analyse der Testproben lieferte wertvolle Einblicke in die Veränderung der Kristallinität und der Hohlräume in FFF-Teilen, die mit unterschiedlichen Parametern gedruckt wurden. Die Analyse der Kristallinität und der Art/Lage der Hohlräume in den Testproben zeigte, wie sie die Zugeigenschaften beeinflussten, selbst bei geringfügigen Änderungen von Text und h. Durch die Quantifizierung der Kristallinität und des Hohlraumgehalts und die anschließende Einbeziehung dieser Daten in den Trainingsprozess und/oder die Erhöhung der Granularität des Designraums zur Aufnahme zusätzlicher Trainingsdatenpunkte könnte die Vorhersagequalität der Modelle verbessert werden. Allerdings würde die Einbeziehung der Informationen die Kosten für die Erhebung von Trainingsdaten erhöhen.

Diese Arbeit zeigte die Wirksamkeit von AL-Techniken zur Vorhersage wichtiger Zugeigenschaften eines hochkomplizierten Systems wie der FFF eines Elastomermaterials durch die Generierung eines kleinen, aber informativen Datensatzes mit nur Zugeigenschaften, die 22 Druckkombinationen entsprechen. AL reduzierte den Experimentieraufwand deutlich. Dieser Prozess könnte nützlich sein, um die Druckparameter eines unbekannten Materials mit viel weniger experimentellem Zeit- und Arbeitsaufwand zu optimieren. Darüber hinaus bietet die vorgeschlagene Methode eine unkomplizierte Strategie, die leicht auf eine Vielzahl von Problemen angewendet werden kann. Seine Hauptstärke ist seine Fähigkeit, Prozessparameterkombinationen, die mit der höchsten Unsicherheit in jeder Iteration verbunden sind, selektiv zu identifizieren und sich darauf zu konzentrieren. Dies ist insbesondere für AM-Techniken von Vorteil. Typischerweise beinhalten AM-Prozesse zahlreiche Prozessparameter, die die Eigenschaften der Teile erheblich beeinflussen. Das Verständnis der komplizierten Beziehungen zwischen den Prozessparametern und den Teileeigenschaften kann eine Herausforderung sein, insbesondere wenn mehrere Eigenschaften von Interesse sind. Daher kann unsere Methode besonders wertvoll sein, wenn es darum geht, die Anzahl der Experimente zu minimieren, die für die gleichzeitige Optimierung von Prozessparametern für mehrere Eigenschaften erforderlich sind.

Die Stichprobenstrategie umfasst die Verwendung der durchschnittlichen Unsicherheit über normalisierte Ausgaben zur Aggregation der Unsicherheitsinformationen, was eine angemessene Genauigkeit für die Vorhersage aller untersuchten Zugeigenschaften ergab. Mit anderen Worten wurden die Korrelationen zwischen den Ausgaben außer Acht gelassen, um das Vorhersageproblem zu vereinfachen, und es wurde angenommen, dass die Ausgaben unabhängig vorhergesagt wurden. Als Richtung für zukünftige Forschung könnte die Sampling-Strategie durch die entsprechende Einbeziehung der Korrelationen in den Ausgaberaum verbessert werden. Zukünftige Untersuchungen können auch einen systematischen Vergleich der Leistung von Modellen umfassen, die mit Datensätzen trainiert wurden, die mit der vorgeschlagenen Methode generiert wurden, mit gitterbasierten Stichprobenverfahren wie LHS und geschichteter Stichprobe oder Zufallsstichprobentechniken wie der Monte-Carlo-Stichprobe. Ein weiterer möglicher Bereich zukünftiger Forschung könnte sein, ob LHS in Kombination mit einer einheitlichen Probenahme repräsentativere Proben liefern kann als eine rein einheitliche Probenahmestrategie. Das Ergebnis dieser Untersuchung hängt von verschiedenen problemspezifischen Merkmalen ab, beispielsweise der Anzahl der Eingabeparameter, ihren Bereichen und der Gesamtzahl der ausgewählten Stichproben.

Modelleingaben finden Sie in den unterstützenden Informationen. Weitere Daten sind unter https://doi.org/10.18126/Y4E2-BYV0 verfügbar.

Yardimci, MA, Hattori, T., Guceri, SI & Danforth, SC Thermoanalyse der Schmelzabscheidung. 1997 Internationales Solid Freeform Fabrication Symposium (1997).

D'Amico, T. & Peterson, AM Perlenparametrisierung der additiven Herstellung von Materialextrusionen im Desktop- und Raummaßstab: Wie Druckgeschwindigkeit und thermische Eigenschaften die Wärmeübertragung beeinflussen. Zusatz. Hersteller 34, 101239 (2020).

Google Scholar

Gilmer, EL et al. Temperatur-, Diffusions- und Spannungsmodellierung bei der additiven Filamentextrusionsfertigung von Polyetherimid: Eine Untersuchung des Einflusses von Verarbeitungsparametern und der Bedeutung von Modellannahmen. Zusatz. Hersteller 48, 102412 (2021).

CAS Google Scholar

Choo, K. et al. Wärmespeichermodellierung der großflächigen additiven Fertigung. Zusatz. Hersteller 28, 325–332 (2019).

Google Scholar

Serdeczny, MP, Comminal, R., Pedersen, DB & Spangenberg, J. Experimentelle und analytische Untersuchung des Polymerschmelzflusses durch das Hot-End bei der additiven Fertigung durch Materialextrusion. Zusatz. Hersteller 32, 100997 (2020).

CAS Google Scholar

Chen, J. & Smith, DE Rheologische Charakterisierung von Filamenten für die additive Fertigung von Schmelzfilamenten: Ein kostengünstiger Ansatz. Zusatz. Hersteller 47, 102208 (2021).

CAS Google Scholar

McIlroy, C. & Olmsted, PD Auswirkungen der Entwirrung auf das Schweißverhalten von Polymerschmelzen während der Schmelzfilament-Herstellungsmethode für die additive Fertigung. Polymer 123, 376–391 (2017).

Artikel CAS Google Scholar

Bellini, A. & Güçeri, S. Mechanische Charakterisierung von Teilen, die mittels Fused Deposition Modeling hergestellt wurden. Schneller Prototyp. J. 9, 252–264 (2003).

Artikel Google Scholar

Park, SI, Rosen, DW, Choi, SK & Duty, CE Effektive mechanische Eigenschaften von Gittermaterial, hergestellt durch additive Materialextrusionsfertigung. Zusatz. Hersteller 1, 12–23 (2014).

Google Scholar

Goh, GD, Sing, SL & Yeong, WY Ein Rückblick auf maschinelles Lernen im 3D-Druck: Anwendungen, Potenziale und Herausforderungen. Artif. Intel. Rev. 54, 63–94 (2021).

Artikel Google Scholar

Zhang, Y. & Moon, SK Datengesteuerte Designstrategie bei der Herstellung von Schmelzfilamenten: Status und Chancen. J. Comput. Des. Ing. 8, 489–509 (2021).

Google Scholar

Wang, C., Tan, XP, Tor, SB & Lim, CS Maschinelles Lernen in der additiven Fertigung: Stand der Technik und Perspektiven. Zusatz. Hersteller 36, 101538 (2020).

Google Scholar

Yadav, D., Chhabra, D., Kumar Garg, R., Ahlawat, A. & Phogat, A. Optimierung der FDM-3D-Druckprozessparameter für Multimaterialien mithilfe eines künstlichen neuronalen Netzwerks. Mater. Heute Proc. 21, 1583–1591 (2020).

Artikel CAS Google Scholar

Zhou, X., Hsieh, S.-J. & Ting, C.-C. Modellierung und Abschätzung des Zugverhaltens von Polymilchsäureteilen, die durch Fused Deposition Modeling unter Verwendung von Finite-Elemente-Analyse und wissensbasierter Bibliothek hergestellt wurden. Virtuelle Physik. Prototyp. 13, 177–190 (2018).

Artikel Google Scholar

Bayraktar, Ö., Uzun, G., Çakiroğlu, R. & Guldas, A. Experimentelle Studie zu 3D-gedruckten Kunststoffteilen und Vorhersage der mechanischen Eigenschaften mithilfe künstlicher neuronaler Netze. Polym. Adv. Technol. 28, 1044–1051 (2017).

Artikel CAS Google Scholar

Mohamed, OA, Masood, SH & Bhowmik, JL Untersuchung der dynamischen elastischen Verformung von Teilen, die durch additive Fertigung mit Schmelzschichtungsmodellierung verarbeitet wurden. Adv. Prod. Ing. Geschäftsführer 11, 227–238 (2016).

Google Scholar

Sood, AK, Ohdar, RK & Mahapatra, SS Experimentelle Untersuchung und empirische Modellierung des FDM-Prozesses zur Verbesserung der Druckfestigkeit. J. Adv. Res. 3, 81–90 (2012).

Artikel CAS Google Scholar

Mohamed, OA, Masood, SH & Bhowmik, JL Einfluss von Verarbeitungsparametern auf das Kriech- und Erholungsverhalten von FDM-gefertigten Teilen unter Verwendung von definitivem Screening-Design und ANN. Schneller Prototyp. J. 23, 998–1010 (2017).

Artikel Google Scholar

Equbal, A., Sood, AK & Mahapatra, SS Vorhersage der Dimensionsgenauigkeit bei der Modellierung von Schmelzablagerungen: Ein Fuzzy-Logic-Ansatz. Int. J. Prod. Qual. Geschäftsführer 7, 22–43 (2011).

Google Scholar

Li, Z., Zhang, Z., Shi, J. & Wu, D. Vorhersage der Oberflächenrauheit in der extrusionsbasierten additiven Fertigung mit maschinellem Lernen. Roboter. Berechnen. Integr. Hersteller 57, 488–495 (2019).

Artikel Google Scholar

Lookman, T., Balachandran, PV, Xue, D. & Yuan, R. Aktives Lernen in der Materialwissenschaft mit Schwerpunkt auf adaptiver Probenahme unter Verwendung von Unsicherheiten für gezieltes Design. NPJ-Berechnung. Mater. 5, 21 (2019).

Artikel ADS Google Scholar

Deneault, JR et al. Auf dem Weg zur autonomen additiven Fertigung: Bayesianische Optimierung auf einem 3D-Drucker. Frau Bull. 46, 566–575 (2021).

Artikel ADS Google Scholar

Fraley, SA et al. Versuchsplanung mittels Taguchi-Methoden – orthogonale Arrays. Im Michigan Chemical Process Dynamics and Controls Open Textbook, USA (2006).

Shahriari, B., Swersky, K., Wang, Z., Adams, RP & Freitas, ND Den Menschen aus dem Kreislauf nehmen: Ein Überblick über die Bayes'sche Optimierung. Proz. IEEE 104, 148–175 (2016).

Artikel Google Scholar

Rohr, B. et al. Benchmarking der Beschleunigung der Materialentdeckung durch sequentielles Lernen. Chem. Wissenschaft. 11, 2696–2706 (2020).

Artikel PubMed PubMed Central Google Scholar

Zuo, Y. et al. Beschleunigen Sie die Materialentdeckung mit Bayes'scher Optimierung und Graph Deep Learning. Mater. Heute 51, 126–135 (2021).

Artikel CAS Google Scholar

Zhang, Y., Apley, DW & Chen, W. Bayesianische Optimierung für Materialdesign mit gemischten quantitativen und qualitativen Variablen. Wissenschaft. Rep. 10, 4924 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Yamashita, T. et al. Kristallstrukturvorhersage beschleunigt durch Bayes'sche Optimierung. Physik. Rev. Mater. 2, 13803 (2018).

Artikel Google Scholar

Deshwal, A., Simon, CM & Doppa, JR Bayesianische Optimierung nanoporöser Materialien. Mol. Syst. Des. Ing. 6, 1066–1086 (2021).

Artikel CAS Google Scholar

Lei, B. et al. Bayesianische Optimierung mit adaptiven Ersatzmodellen für die automatisierte Versuchsplanung. NPJ-Berechnung. Mater. 7, 194 (2021).

Artikel ADS Google Scholar

Liu, J., Ye, J., Momin, F., Zhang, Zusatz. Hersteller 54, 102765 (2022).

CAS Google Scholar

Kapusuzoglu, B., Sato, M., Mahadevan, S. & Witherell, P. Prozessoptimierung unter Unsicherheit zur Verbesserung der Bindungsqualität von Polymerfilamenten bei der Herstellung von Schmelzfilamenten. J. Manufaktur Wissenschaft. Ing. 143, 021007 (2020).

Artikel Google Scholar

Nath, P., Olson, JD, Mahadevan, S. & Lee, Y.-TT Optimierung der Prozessparameter für die Herstellung von Schmelzfilamenten unter Unsicherheit, um die Genauigkeit der Teilegeometrie zu maximieren. Zusatz. Hersteller 35, 101331 (2020).

Google Scholar

Zhang, Y., Phil Choi, J. & Moon, SK Ein datengesteuertes Framework zur Vorhersage der Eigenschaften von Fertigungsteilen aus geschmolzenen Filamenten mithilfe von Ersatzmodellen und Optimierung mit mehreren Zielen. Int. J. Adv. Hersteller Technol. 120, 8275–8291 (2022).

Artikel Google Scholar

Gongora, AE et al. Ein bayesianischer experimenteller autonomer Forscher für mechanisches Design. Wissenschaft. Adv. 6, eaaz1708 (2022).

Artikel ADS Google Scholar

Pourali, M. & Peterson, AM Schmelzfilamentherstellung von hohlraumfreien Teilen unter Verwendung von Schmelzklebstoffen mit niedriger Viskosität. Zusatz. Hersteller 46, 102110 (2021).

CAS Google Scholar

Pedregosa, F. et al. Scikit-Learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

sklearn.preprocessing.MinMaxScaler – scikit-learn 0.24.2 Dokumentation. https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html.

Gao, X. et al. Schmelzfilamentherstellung aus Polymermaterialien: Ein Überblick über die Zwischenschichtbindung. Zusatz. Hersteller 37, 101658 (2021).

CAS Google Scholar

Tao, Y. et al. Ein Überblick über Hohlräume in 3D-gedruckten Teilen durch die Herstellung von Schmelzfilamenten. J. Mater. Res. Technol. 15, 4860–4879. https://doi.org/10.1016/j.jmrt.2021.10.108 (2021).

Artikel CAS Google Scholar

Pratama, J. et al. Ein Überblick über Verstärkungsmethoden für Polymermaterialien, die mittels Fused Filament Fabrication (FFF) verarbeitet werden. Polymere 13, 4022 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Yin, B., He, Q. & Ye, L. Auswirkungen der Abscheidungsgeschwindigkeit und der Extrusionstemperatur auf die Verschmelzung zwischen Filamenten in mit FFF bedruckten einschichtigen Polymerfilmen. Adv. Ind. Eng. Polym. Res. 4, 270–276 (2021).

CAS Google Scholar

Coogan, TJ & Kazmer, DO Bindung und Bauteilfestigkeit bei der Modellierung von Schmelzablagerungen. Schneller Prototyp. J. 23, 414–422 (2017).

Artikel Google Scholar

Xu, Q., Jiang, L., Ma, C., Niu, Q. & Wang, X. Einfluss der Schichtdicke auf die physikalischen und mechanischen Eigenschaften von Sandpulver-3D-Druckproben. Vorderseite. Erdwissenschaft. 9, 763202 (2021).

Artikel Google Scholar

Popescu, D., Zapciu, A., Amza, C., Baciu, F. & Marinescu, R. FDM-Prozessparameter beeinflussen die mechanischen Eigenschaften von Polymerproben: Eine Übersicht. Polym. Prüfen. 69, 157–166 (2018).

Artikel CAS Google Scholar

Rajpurohit, SR & Dave, HK Analyse der Zugfestigkeit eines aus geschmolzenem Filament hergestellten PLA-Teils mit einem Open-Source-3D-Drucker. Int. J. Adv. Hersteller Technol. 101, 1525–1536 (2019).

Artikel Google Scholar

Kuznetsov, VE, Solonin, AN, Urzhumtsev, OD, Schilling, R. & Tavitov, AG Festigkeit von PLA-Komponenten, die mit der Fused-Deposition-Technologie unter Verwendung eines Desktop-3D-Druckers als Funktion der geometrischen Parameter des Prozesses hergestellt wurden. Polymere 10, 313 (2018).

Artikel PubMed PubMed Central Google Scholar

Bardiya, S., Jerald, J. & Satheeshkumar, V. Der Einfluss von Prozessparametern auf die Zugfestigkeit, Biegefestigkeit und die Herstellungszeit von FFF-Teilen (Fused Filament Fabricated). Mater. Heute Proc. 39, 1362–1366 (2021).

Artikel CAS Google Scholar

Referenzen herunterladen

Die Autoren danken der National Science Foundation (CMMI-1853480) für die finanzielle Unterstützung. Die Autoren danken außerdem der Henkel Corporation für die Bereitstellung von Technomelt PA 6910 und danken insbesondere Dr. Charles Paul für die aufschlussreichen Gespräche und Anleitungen.

Abteilung für Kunststofftechnik, University of Massachusetts Lowell, Lowell, MA, USA

Tahamina Nasrin, Masoumeh Pourali und Amy M. Peterson

Abteilung für Mathematische und Statistische Wissenschaften, University of Colorado Denver, Denver, CO, USA

Farhad Porkamali-Anaraki

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

TN, MP und AMP konzipierten und planten die Experimente. TN und MP führten die Experimente durch. FPA konzipierte und plante Modellierungsaktivitäten und gab Anleitung bei der Entwicklung von Modellen. TN übernahm die Leitung bei der Analyse der Ergebnisse und verfasste den ersten Entwurf des Manuskripts. TN, FPA und AMP haben gemeinsam die endgültige Version des Manuskripts erstellt. FPA und AMP betreuten das Projekt.

Korrespondenz mit Amy M. Peterson.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Nasrin, T., Pourali, M., Pourkamali-Anaraki, F. et al. Aktives Lernen zur Vorhersage von Zugeigenschaften für die additive Fertigung durch Materialextrusion. Sci Rep 13, 11460 (2023). https://doi.org/10.1038/s41598-023-38527-6

Zitat herunterladen

Eingegangen: 27. Dezember 2022

Angenommen: 10. Juli 2023

Veröffentlicht: 15. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-38527-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.