基于机器学习驱动的熔融沉积成型增材制造PC-ABS试样制备参数预测及力学性能分析

《Polymers》：Machine Learning-Driven Prediction of Manufacturing Parameters and Analysis of Mechanical Properties of PC-ABS Specimens Produced by the Fused Deposition Modeling Additive Manufacturing Method Arda Pazarc?kc?, Koray ?zsoy and Bekir Aksoy

　　

本研究旨在探究熔融沉积成型（Fused Deposition Modeling, FDM）增材制造制备的聚碳酸酯-丙烯腈-丁二烯-苯乙烯共聚物（Polycarbonate-Acrylonitrile Butadiene Styrene, PC-ABS）试样力学性能受制备参数的影响规律，并采用机器学习方法对上述关系进行建模。研究人员依据田口L16实验设计确定打印速度、填充密度和扫描角度三个参数水平，并对制备的试样开展拉伸、弯曲和冲击测试。实验结果表明，填充密度参数可使拉伸强度提升约62%（从25.10 MPa增至40.71 MPa），弯曲强度提升约46%（从45.13 MPa增至66.13 MPa）；在最优打印速度条件下，冲击能量可提升约45%（从1.698 J增至2.467 J）。研究人员基于实验数据构建数据集，分别采用决策树（Decision Tree）、随机森林（Random Forest）、K近邻（K-Nearest Neighbors, KNN）和多层感知机（Multilayer Perceptron, MLP）模型对力学性能进行预测。模型性能对比显示，随机森林算法预测精度最高，决定系数（R2）范围为0.94–0.99，均方根误差（Root Mean Square Error, RMSE）低于0.5，表现出优异的泛化能力。结果表明，填充密度是对拉伸强度和弯曲强度最具决定性的参数，打印速度则对冲击能量影响显著。方差分析（Analysis of Variance, ANOVA）结果显示所有主参数对力学性能的影响均具有统计学显著性。在机器学习模型性能对比中，随机森林算法提供了最高的预测精度，证实力学性能可被可靠预测。综上，研究表明通过正确选择FDM法制备PC-ABS部件的制备参数并结合基于机器学习的建模方法，可有效优化其机械性能。

本研究发表于《Polymers》，针对熔融沉积成型（FDM）增材制造中聚碳酸酯-丙烯腈-丁二烯-苯乙烯共聚物（PC-ABS）制件的力学性能调控难题展开。当前FDM技术虽因低成本、易操作等优势被广泛应用于航空航天、汽车等领域，但其制件力学性能高度依赖制备参数，且传统试错法优化效率低、成本高。现有研究多聚焦单一参数对力学性能的影响，缺乏对打印速度、填充密度、扫描角度等多参数交互作用的系统量化，且针对PC-ABS材料结合机器学习建模的研究尚不充分。为此，研究人员旨在通过实验结合机器学习的方法，揭示多参数对PC-ABS制件拉伸、弯曲、冲击性能的耦合影响机制，建立高精度预测模型，为FDM工艺优化提供数据驱动的理论支撑。

研究人员采用的关键技术方法如下：首先基于田口L16实验设计，设置打印速度（50–80 mm/s）、填充密度（40–100%）、扫描角度（30–45°）三因素四水平组合，采用Bambu Lab X1 Carbon型FDM打印机制备PC-ABS试样，严格遵循ASTM D638-14、ASTM D790-17、ASTM D6110-18标准分别开展拉伸、弯曲、冲击力学测试；其次通过重复实验（每组3次独立试样）确保数据可靠性，构建包含48组原始数据的实验数据集，并采用KNN插值法扩充训练集至1000组以增强模型泛化能力；随后选用决策树、随机森林、KNN、多层感知机四种机器学习算法，结合Optuna贝叶斯优化进行超参数调优，采用决定系数（R²）、均方根误差（RMSE）等指标评估模型性能；同时通过单因素方差分析（ANOVA）量化各参数及交互项对力学性能的贡献率，显著性水平设为p<0.05。

研究结果部分，研究人员首先通过力学测试获得基础数据：拉伸测试显示最高拉伸强度达40.71 MPa（试样T9），最低为25.10 MPa（试样T4），应力-应变曲线呈现典型弹塑性断裂特征；弯曲测试表明最高弯曲强度为66.13 MPa（试样F8），最低为45.13 MPa（试样F5），三点弯曲下试样均表现出韧性断裂行为；冲击测试测得平均冲击能量范围为1.04–2.47 J，最高值出现在I6组试样。其次，ANOVA分析结果揭示参数影响规律：拉伸强度方面，填充密度贡献率达53.66%，打印速度与填充密度的交互作用贡献22.21%，模型R²达99.77%；弯曲强度方面，填充密度仍为主导因素（贡献率43.19%），打印速度与填充密度、扫描角度的交互作用贡献显著（分别为18.40%、15.87%），模型R²为99.66%；冲击能量方面，打印速度与填充密度的交互作用是决定性因素（贡献率73.06%），打印速度单独贡献16.10%，模型R²为94.50%。最后，机器学习模型性能对比显示：随机森林在拉伸（R²≈0.99）、弯曲（R²≈0.98）预测中表现最优，多层感知机在冲击能量预测中R²达0.83，决策树易出现过拟合，KNN整体精度较低。

讨论部分指出，本研究创新性地整合ANOVA统计分析与机器学习建模，证实FDM工艺参数对力学性能的影响并非独立作用，而是通过多参数交互实现。随机森林算法因集成学习特性有效降低了单决策树的过拟合风险，在小样本实验数据中仍能保持稳定的泛化能力，这一优势使其成为FDM工艺优化的可靠工具。研究同时指出，当前结论仅适用于所研究的三个参数范围，未考虑喷嘴温度、层厚等其他变量的影响。

结论部分明确：FDM制备PC-ABS制件时，填充密度是拉伸和弯曲强度的最主要影响参数，打印速度与填充密度的交互作用主导冲击能量；随机森林模型因在多目标预测中兼具高精度、低误差和强泛化性，是最优的力学性能预测工具；建议工艺优化时优先控制填充密度，并采用随机森林模型辅助参数设计。该研究为PC-ABS材料的FDM工艺优化提供了可量化的理论依据，也为其他聚合物基复合材料增材制造的参数预测提供了方法学参考。