数据驱动优化与流变引导机器学习的地聚合物直写墨写（DIW）可打印性研究

《Materials Today Communications》：Data-driven optimization and rheology-guided machine learning of geopolymer direct ink writing

　　

• 将流变学建模与数据驱动算法集成，用于直写墨写（DIW）增材制造（AM）的预测性控制。
• 建立材料配方与工艺参数之间的定量关联，实现参数反演与优化。
• 展示人工智能（AI）辅助的地聚合物基可持续材料可打印性预测，推进智能化增材制造。

研究背景与问题：在可持续建造与低碳制造需求推动下，地聚合物（geopolymer）因以硅氧四面体（SiO₄）和铝氧四面体（AlO₄）构成非晶三维网络，并可由粉煤灰、矿渣等铝硅质原料碱激发制备，被视为具有较低温室气体排放潜力的胶凝材料。将其与增材制造（AM）中的直写墨写（DIW）结合，可制造复杂结构；但地聚合物在DIW中的流变性、组成与工艺条件耦合强，打印窗口窄。原文指出，现有研究多偏经验化、碎片化，缺乏同时贯通材料组成、流变特征与可打印性的统一数据驱动框架；机器学习（ML）在地聚合物AM中的预测设计与优化仍处于早期，尤其对影响可打印性与结构性能的非线性、相互依赖关系认识不足。为此，研究人员开展实验—流变—探索性数据驱动研究，系统考察固液比（S:L）、喷嘴内径与挤出压力对打印结果的影响，并以流变表征解释挤出与沉积行为，采用随机森林（RF）、支持向量机（SVM）和梯度提升（GB）探索工艺参数与视觉打印质量类别之间的关联。原文明确，该ML部分旨在考察现有实验数据中的模式并识别后续研究的候选加工区域，而非建立经完整验证的预测或优化框架。其意义在于为理解地聚合物DIW可打印性提供实验基础，并指出后续定量验证与预测模型开发的必要条件。

关键技术与方法（不超过250字）：研究采用偏高岭土—硅酸钠（Na₂SiO₃）地聚合物墨水体系，设计9个S:L、9个喷嘴内径与4个压力带的324个全因子组合，筛除无法连续挤出或无法保持丝形后，对160个打印条件进行实验评价；以旋转流变仪对5个代表性配方进行稳态剪切、振幅扫描与频率扫描，获得屈服应力、零剪切黏度及储能模量（G′）/损耗模量（G″）；以Bingham与Herschel–Bulkley模型描述流动和挤出—长丝直径关系；以图像分析测量线宽误差（LWE）并进行视觉质量分级；构建RF、SVM、GB分类模型，采用内部训练/测试划分、交叉验证与阈值优化进行回顾性比较。

研究结果：
4.1 地聚合物墨水的流变表征：通过稳态剪切、振幅扫描与频率扫描发现，五个代表性配方均呈显著剪切变稀；零剪切黏度跨四个数量级，从8:12的20,000 Pa·s以上降至8:20的230 Pa·s，屈服应力由8:12的290.6 Pa降至8:20的3.97 Pa。8:16在约0.097 s^-1时初始黏度为208 Pa·s，在100 s^-1时高剪切黏度为3.82 Pa·s，黏度降幅约54倍；其G′在低应变区高于G″，频率响应最稳定。原文据此认为8:16在挤出流动阻力与沉积后形状保持之间较有利，但该判断限于本材料体系与所测代表性配方。
4.2 基于几何保真度的可打印性评价：通过324组合筛选出的160个可打印条件，结合挤出连续性、LWE和沉积后结构稳定性评价发现，可打印性受S:L、喷嘴直径和压力共同影响。固定8:16时，0.56 mm喷嘴与50 psi获得较好挤出连续性与几何稳定性；压力不足导致断丝，压力过大或喷嘴过大导致过度扩展和边缘变形。固定25 psi时，低S:L配方几何保持较好但有轻微开裂，高S:L因流动性增强而坍塌。8:16在相应稳定条件下LWE较低，而8:20误差超过100%。原文强调LWE是几何保真度的定量指标，不等同于完整可打印性判据。
4.3 流变学与打印结果的相互作用：通过将屈服应力、黏度降幅等与打印结果关联并用Herschel–Bulkley模型建立压力、喷嘴几何与长丝直径关系发现，高屈服应力提高形状保持但增加挤出压力与堵塞风险，过低屈服应力则导致坍塌和几何变形；8:16的中等屈服应力78.2 Pa较平衡。原文给出成功打印主要关联的低剪切黏度描述区间约150–400 Pa·s、屈服应力约30–100 Pa，并指出其为该偏高岭土—硅酸钠体系的实验观察加工窗口，非普适判据。
4.4 探索性机器学习结果：通过RF、SVM、GB对S:L、喷嘴内径、挤出压力与视觉质量标签进行内部划分评估发现，80/20划分下RF准确率0.8750、F1为0.7143、ROC-AUC为0.8151；SVM准确率0.8438、F1为0.7059、ROC-AUC为0.8359；GB准确率0.8125、F1为0.5000、ROC-AUC为0.8203。压力回顾性推荐中，SVM命中率75.0%、平均绝对误差24.39 psi、均方根误差27.83 psi，RF和GB命中率分别为66.7%和58.3%。原文反复强调这些结果是内部回顾性探索，未进行前瞻性打印验证，不能视为已独立验证的预测或优化框架；特征重要性仅表示相对预测贡献，不构成因果或正式敏感性分析。

讨论部分总结：原文讨论强调，材料组成与工艺参数共同影响打印质量，高固含量易挤出阻力增大和不连续沉积，低固含量易长丝铺展和沉积后变形，中间8:16在所选条件下表现较有利；但这些趋势主要来自实验观察，ML仅提供探索性关联。局限包括数据集规模有限、材料体系与打印配置特定、质量标签来自定性视觉评价、LWE仅基于选定边缘测量、模型为回顾性内部评估且无前瞻实验验证、未开展正式全局或局部敏感性分析。未来需建立可重复的定量打印质量判据、扩展数据集、在独立材料批次和未见工艺组合上评估、采用更严格模型开发与验证流程、开展正式敏感性分析和前瞻性打印实验，并引入物理信息建模与实时过程监测。

研究结论部分翻译：本研究整合打印实验、流变表征、本构建模与探索性机器学习，考察材料组成和工艺参数对偏高岭土地聚合物直写墨写（DIW）可打印性的影响。主要发现如下：（1）实验结果表明，可打印性受固液比（S:L）、喷嘴直径和挤出压力共同影响；较高固含量提高挤出阻力，较低固含量降低形状保持；中间8:16配方在所选实验条件下表现出相对有利的打印性能。（2）基于改进Herschel–Bulkley模型的本构建模建立了挤出压力、喷嘴几何与长丝直径之间的关系，提供了以流变学为依据描述挤出行为的方法。（3）采用RF、SVM和GB的机器学习分析揭示了工艺参数与实验赋予的打印质量标签之间的关联；然而，分类结果仍属探索性，因为独立预测泛化能力和模型引导的参数推荐尚未经实验验证。总体而言，本研究为研究地聚合物DIW并识别候选加工条件提供了一种实验—本构—数据驱动的集成方法。然而，其适用性受实验范围、简化流变假设、定性分类标签以及缺乏系统敏感性分析和独立验证的限制。未来研究将聚焦扩展实验数据集、建立定量可打印性判据、开展敏感性分析，并通过前瞻性打印实验验证候选参数；引入物理信息建模和实时过程监测有望进一步提高预测可靠性并支持智能地聚合物增材制造。