田口-人工神经网络（Taguchi-ANN）混合方法用于评估FDM打印聚合物中无支撑悬挑结构的安全性

《Journal of Polymer Science》：Taguchi-ANN Hybrid Approach for Evaluating Unsupported Overhang Structures in FDM-Printed Polymers

熔融沉积成型（FDM）打印中，通过正交试验分析材料类型、填充图案、壁厚、填充密度和层厚对无支撑悬垂面尺寸精度（<2.3%）和表面粗糙度的影响，发现层厚和材料类型对两者影响最显著（p<0.001，F>500）。表面粗糙度随悬垂面倾角增大而恶化，尺寸精度则相反。基于人工神经网络（ANN）的预测模型（R2>0.90）可有效指导工艺参数优化。

　　

摘要

熔融沉积建模（FDM）在制造无支撑悬垂结构时面临重大挑战，尤其是在尺寸精度和表面质量方面。虽然支撑结构可以解决这些问题，但会增加材料浪费和后处理需求。本研究探讨了工艺参数如何影响FDM打印中无支撑倾斜表面的质量，旨在优化无需支撑结构的制造过程。使用丙烯腈-丁二烯-苯乙烯（ABS）、聚乳酸（PLA）和聚对苯二甲酸乙二醇酯（PETG）材料，制备了三种不同表面倾斜角度（75°（Surface-1）、60°（Surface-2）和45°（Surface-3）的测试样品。研究采用了L27 Taguchi正交阵列来评估五个关键工艺参数：材料类型（MT）、填充图案（IP）、壁厚（WT）、填充密度（ID）和层厚（LT）。测量了所有倾斜区域的尺寸偏差和表面粗糙度。所有样品的尺寸偏差均低于2.3%。方差分析（ANOVA）显示，层厚（LT）和材料类型（MT）是影响尺寸精度和表面粗糙度的最显著因素（p?F值 >?500）。随着表面角度的减小，表面粗糙度有所改善，而尺寸精度则呈现相反趋势。开发的人工神经网络（ANN）模型在预测质量指标时，其R²值超过了0.90。本研究建立了一个综合框架，整合了Taguchi设计、统计分析和机器学习（ML），用于优化FDM中的无支撑悬垂结构制造。研究结果揭示了工艺参数与零件质量之间的关键关系，表明通过精心控制参数选择，可以在不使用支撑结构的情况下实现可接受的质量。所开发的预测模型为FDM制造无支撑悬垂结构提供了可靠的参数优化工具。

图形摘要

图形摘要展示了FDM打印聚合物样品的表面粗糙度和尺寸精度实验结果与ANN预测之间的对比。

利益冲突

作者声明没有利益冲突。