编辑推荐：
推荐
针对 FDM 打印纳米复合材料力学性能预测中机器学习模型超参数调优作用待探索问题，研究人员开展 BO、SA、GA 优化 LSBoost 模型以预测 PLA/SiO?纳米复合材料 E、Sy、Ku的研究，发现 GA 性能更优，为 FDM 工艺优化提供了新方向。
论文解读
在 3D 打印技术蓬勃发展的当下，熔融沉积成型（FDM）凭借其层叠制造的特性，成为制备从原型到成品零部件的常用工艺。然而，FDM 打印件的力学性能受挤出速率（ER）、SiO?纳米颗粒浓度（SC）、沉积层厚度（LT）、填充密度（ID）、填充几何结构（IG）等工艺参数以及材料组成的显著影响，如何精准预测这些性能成为行业难题。尽管机器学习（ML）技术已被用于分析参数间的复杂关联，但在 FDM 打印聚乳酸（PLA）/ 二氧化硅（SiO?）纳米复合材料领域，针对提升 Boosting 类算法预测能力的超参数调优算法研究尚属空白。在此背景下，土耳其科研人员开展了相关研究，其成果发表于《Expert Systems with Applications》，为优化 FDM 工艺参数与模型预测提供了重要参考。
为解决上述问题，土耳其研究人员以 FDM 打印的 PLA/SiO?纳米复合材料为研究对象，旨在评估贝叶斯优化（BO）、模拟退火（SA）、遗传算法（GA）三种超参数优化技术对最小二乘提升（LSBoost）模型预测性能的影响。研究聚焦于弹性模量（E）、屈服强度（Sy）、极限强度下的韧性（Ku）这三项关键力学性能，通过田口 L??正交试验设计获取样本数据，结合复合目标函数（均方根误差 RMSE 与 1-R2 损失指标）对模型进行调优。
研究采用的关键技术方法包括：基于田口 L??正交阵列设计实验，制备并测试 PLA/SiO?纳米复合材料拉伸试样；运用 LSBoost 集成学习算法构建力学性能预测模型；分别利用 BO、SA、GA 三种优化技术对 LSBoost 模型的超参数进行调优；通过 5 折交叉验证评估模型性能，以 RMSE 和 R2 作为主要评价指标。
研究结果
弹性模量（E）预测
贝叶斯优化（BO）在弹性模量预测中表现突出，其测试 RMSE 为 130.13 MPa，R2 达 0.9776。这表明 BO 通过构建概率模型探索超参数空间，能有效捕捉弹性模量与工艺参数间的复杂非线性关系，实现较高的预测精度。
屈服强度（Sy）预测
遗传算法（GA）在屈服强度预测中展现最佳性能，RMSE 为 1.9526 MPa，R2 为 0.9713。GA 借助模拟生物进化的选择、交叉、变异操作，在超参数优化过程中实现了全局搜索，显著提升了模型对屈服强度这一关键力学指标的预测能力。
韧性（Ku）预测
对于极限强度下的韧性预测，遗传算法（GA）同样表现优异，测试 RMSE 低至 102.86 MPa，R2 为 0.7953。尽管韧性受材料微观结构与工艺参数交互作用的影响更为复杂，但 GA 仍能通过自适应调整超参数，在该性能的预测中取得相对最优结果。
研究结论与意义
综合来看，遗传算法（GA）在多数力学性能的 LSBoost 模型优化中 consistently outperformed 贝叶斯优化（BO）和模拟退火（SA），凸显了其在 FDM 打印纳米复合材料超参数调优中的有效性。该研究首次系统对比了三种优化算法在 Boosting 类模型中的应用效果，为 FDM 工艺参数优化提供了数据驱动的新路径，有助于减少实验试错成本，提升 3D 打印材料设计的效率与精准度。研究结果不仅拓展了机器学习在增材制造领域的应用场景，也为纳米复合材料的性能预测与工艺优化提供了可借鉴的方法论，对推动 FDM 技术向智能化、精准化方向发展具有重要意义。
