我先按论文内容抽取标题、关键词、摘要和主体结论，再整理成你要求的四段分隔输出。接着我会严格保留专业缩写与上下标格式，并去掉文献/图表标识。机器学习驱动的碳纳米管纳米复合材料激光切割比较分析：提升表面电阻率与切缝特征

《Processes》：Machine Learning-Based Comparative Analysis for Laser Cutting of Carbon Nanotube Nanocomposites: Improving Surface Electrical Resistivity and Kerf Characteristics

　　

一致的激光切割质量受工艺参数与输出响应之间非线性关系的制约，尤其在先进纳米复合材料加工中更为突出。为解决该问题，研究人员以ABS/CNT纳米复合材料的CO₂激光切割实验数据为基础，比较了人工神经网络（ANN）、自适应神经-模糊推理系统（ANFIS）和模糊逻辑系统（FLS）三种智能建模方法。输入参数为激光功率与切割速度，输出响应为热影响区（HAZ）、切缝宽度和表面电阻率。研究人员采用监督式机器学习构建模型，并以均方根误差（RMSE）评价性能。结果表明，ANN具有较好的预测能力，相关系数接近1（≈0.99），但在验证集上对表面电阻率的误差较大；FLS能够识别总体趋势，但精度有限；ANFIS在三项输出上的RMSE均最低，说明其在多响应激光切割预测中最可靠。该研究表明，ANFIS适用于复杂非线性激光加工过程的建模，可为未来先进复合材料切割优化提供有效的智能预测框架。

研究围绕ABS/CNT纳米复合材料的CO₂激光切割展开，发表在《Processes》。研究背景在于：激光切割虽具有非接触、高精度等优势，但切缝形成、热影响区和表面电学性质对工艺参数极为敏感，且输入输出之间存在强非线性，使得传统经验方法难以稳定预测加工质量。对于含碳纳米管的纳米复合材料而言，材料本身的热学与电学特征进一步放大了这种复杂性，因此有必要建立能够同时处理多个输出响应的智能预测模型。研究人员基于既有实验数据，选取激光功率和切割速度作为输入，以HAZ、切缝宽度和表面电阻率作为输出，系统比较ANN、FLS与ANFIS的建模能力，目的在于识别最适合该类多响应预测任务的方法。结果显示，ANN可较好拟合总体趋势，但对表面电阻率的预测不够稳定；FLS具有可解释性，却因缺乏自适应学习而精度偏低；ANFIS兼具神经网络的学习能力与模糊系统的推理能力，因此在三项响应上均取得最低误差。其重要意义在于，研究人员证明了同一数据集上多模型对比的价值，也说明ANFIS可作为先进纳米复合材料激光切割过程建模与优化的可靠工具。
本研究主要方法可概括为：基于既有实验数据集，采用监督式机器学习构建ANN、Mamdani型FLS与Sugeno型ANFIS三类模型；将数据划分为训练集、测试集和验证集；用RMSE评估预测误差，并结合回归分析与截面形貌观察验证模型表现。
研究结果部分显示：
1）ANN模型：训练阶段可较好逼近实验值，回归系数R≈0.99；但验证中对表面电阻率偏差较大，说明其对电学响应的刻画能力弱于对几何响应的刻画。
2）FLS模型：能够捕捉HAZ、切缝宽度和表面电阻率的总体变化趋势，但各输出误差普遍较高，尤其是表面电阻率，表明仅靠规则推理难以充分描述该过程的复杂非线性。
3）ANFIS模型：在训练、测试与验证阶段均保持较好的拟合效果，三项输出的RMSE分别为HAZ 0.2784、切缝宽度 0.0450、表面电阻率 0.0905，表现优于ANN与FLS。
4）形貌验证：对最优工况下的截面FE-SEM图像分析表明，切缝和HAZ形貌与ANFIS预测结果高度一致，进一步支持了模型可靠性。
讨论与结论部分强调，ANFIS在三种方法中综合性能最佳，原因在于其将神经网络的自适应学习与模糊逻辑的可解释推理相结合，能够更有效地捕捉激光功率、切割速度与多输出响应之间的强非线性耦合关系；ANN虽然总体可用，但对验证样本尤其是电学输出的泛化能力不足；FLS虽能反映规律，但缺少数据驱动调参能力，限制了精度。研究最终指出，ANFIS是CO₂激光切割ABS/CNT纳米复合材料时预测HAZ、切缝宽度和表面电阻率的最有效建模方法，可为多响应加工预测与工艺优化提供可靠依据。