机器学习预测光栅角度对基于挤压技术的增材制造导电热塑性聚氨酯复合材料机械性能的影响

《Macromolecular Materials and Engineering》：Machine Learning Prediction of Raster Angle Effects on Mechanical Properties of Extrusion-Based Additively Manufactured Conductive Thermoplastic Polyurethane Composites

导电TPU复合材料的力学性能优化及机器学习预测研究

　　
### 研究背景与意义
随着增材制造（AM）技术的快速发展，其应用场景从原型设计逐步扩展到功能性部件的批量生产。熔融沉积成型（FFF）因其低成本、高灵活性和广泛材料兼容性，成为柔性电子器件和可穿戴设备制造的重要技术。然而，传统AM方法依赖经验参数调整，难以快速优化复杂性能。近年来，机器学习（ML）在材料科学中的应用显著，通过数据驱动模型预测并优化材料性能，可大幅缩短研发周期并降低试错成本。

本研究聚焦于导电TPU材料在FFF工艺中的机械性能优化。TPU因其高弹性、耐磨性和导电性，被广泛用于柔性传感器、医疗设备和机器人软体组件。然而，其机械性能受打印参数（如光栅角度RA）影响显著。光栅角度指打印路径与拉伸载荷方向的夹角，直接影响层间结合强度、应力分布和材料各向异性。现有研究多集中在单一性能优化，而缺乏对多目标（刚度、强度、延展性、能量密度）协同优化的系统性分析。因此，本研究结合实验与ML建模，探索RA对导电TPU复合材料的综合性能影响，并通过数据驱动的优化框架为工业应用提供参考。

### 材料与方法
#### 材料选择
研究采用导电TPU材料，选用Recreus公司生产的Filaflex导电线材（直径1.75 mm，硬度Shore A 92）。该材料兼具高弹性和导电性，适用于柔性电子器件。材料储存于干燥环境中，并通过预挤出试验确保打印参数稳定性。

#### 实验设计
使用Creality Ender 3 V3 SE打印机，固定层高0.2 mm、打印速度40 mm/s、喷嘴温度250°C、热床温度65°C。RA从0°到90°按5°增量调整，共19种配置。拉伸测试依据ASTM D638标准，测试机为Testometric M500-30 AT，记录力-位移曲线以计算杨氏模量（E）、抗拉强度（UTS）、断裂伸长率（BS）和应变能密度（SED）。每组RA重复3次实验，数据取平均值。

####微观结构分析
通过扫描电镜（SEM）观察不同RA下的层间结合特征。例如，RA=90°（垂直于加载方向）的样品显示层间孔隙、熔融不充分及纤维拔出，而RA=0°（平行于加载方向）的样品层间结合紧密，纤维排列有序。

### 结果分析
#### 机械性能与RA的关系
实验数据显示，RA对材料性能呈现非线性影响：
1. **杨氏模量（E）**：在RA=45°时达到峰值（83.45 MPa），向0°和90°两侧下降。45°时纤维方向与载荷方向对称，应力传递更均匀。
2. **抗拉强度（UTS）**：随RA从90°向0°递减而线性上升，RA=0°时UTS最高（6.67 MPa）。纤维平行于载荷方向时，裂纹更易沿垂直方向扩展，导致强度降低。
3. **断裂伸长率（BS）**：在RA=0°时达到最大值（96.02%），向90°递减。低RA下纤维连续性好，能量耗散能力更强。
4. **应变能密度（SED）**：反映材料储能能力，RA=0°时最高（459.73 ×10? J/m3），45°次之。高SED表明材料在变形中能吸收更多能量，适合抗冲击应用。

#### ML模型性能验证
通过35种监督学习模型预测RA与性能的关系，发现以下规律：
- **高阶多项式回归（Poly6）**：在预测E、UTS、BS和SED时均表现最佳，测试集R2值最高达0.957（UTS）。其优势在于能捕捉复杂非线性关系，例如E在RA=45°附近急剧变化，需高阶项拟合。
- **支持向量回归（SVR）**：采用RBF核函数的SVR在预测E和SED时表现优异（R2>0.85），而多项式核（SVR-Poly6）在UTS预测中达到R2=0.979。
- **深度集成模型**：如梯度提升机（GB-Deep）在预测BS时R2达0.886，验证了树模型在处理离散非线性变量中的潜力。
- **线性模型局限性**：线性回归、Lasso等线性方法R2普遍低于0.2，难以捕捉RA与性能间的复杂关联，例如SED在RA=0°-20°区间陡峭下降，需高阶多项式或核方法建模。

#### 优化策略
通过复合渴望函数（CDF）对多目标进行权衡优化，以D值量化综合性能：
\[ D = \sqrt[4]{d_E \cdot d_{UTS} \cdot d_{BS} \cdot d_{SED}} \]
其中，各性能的渴望指数（d）为实际值与理论最大值的比值。结果显示RA=45°时D值最高（0.9256），平衡了刚度（E=83.45 MPa）、强度（UTS=6.47 MPa）、延展性（BS=89.85%）和能量吸收（SED=436.81 ×10? J/m3）。RA=0°虽在UTS和BS上最优，但E较低（48.70 MPa），综合性能稍逊。

### 创新点与工业应用
1. **多目标协同优化**：首次将刚度、强度、延展性和能量密度整合为单一优化目标，解决了传统研究单一性能优化的局限性。
2. **高效建模方法**：验证了高阶多项式回归（Poly6）和核支持向量回归（SVR-RBF）在材料性能预测中的有效性，模型训练时间仅需毫秒级，适合实时参数调整。
3. **工艺参数普适性**：发现RA对导电TPU的影响规律适用于类似材料（如PLA/TPU复合材料），为工艺参数库的扩展提供依据。

### 结论与展望
本研究表明，RA=45°是导电TPU打印件的综合性能最优解，其平衡的机械性能使其适用于柔性电子器件和可穿戴设备。ML模型（尤其是Poly6和SVR-RBF）可有效预测复杂RA依赖关系，为工艺参数优化提供工具。未来工作将结合多参数（层高、填充率）优化和强化学习算法，实现动态参数调优；同时探索导电TPU在极端环境（如高温、高湿）下的长期性能稳定性。

### 致谢与声明
本研究得到Hamad Bin Khalifa大学科学工程学院开放获取资助。写作过程中使用了ChatGPT辅助语言润色，但核心内容均为研究者独立完成，学术责任自负。

---

本解读系统梳理了研究背景、方法、关键发现及工业价值，通过分模块分析确保信息完整性与可读性，同时避免使用专业术语堆砌。研究结论为3D打印柔性电子器件的工艺优化提供了理论依据，并验证了机器学习在材料科学中的实用性。