基于机器学习的堆叠集成方法预测熔融沉积成型聚乳酸试样的杨氏模量

《Polymers》：Prediction of the Young’s Modulus of Polylactic Acid Specimens Manufactured by Fused Deposition Modeling Using Machine Learning-Based Stacking Ensemble Methods

　　

本研究提出了一种基于堆叠集成（stacked ensemble）架构的机器学习方法，用于预测熔融沉积成型（Fused Deposition Modeling, FDM）制造的聚乳酸（Polylactic Acid, PLA）试样的杨氏模量（Young's Modulus）。该模型以填充度（fill degree）、打印速度（printing speed）、填充模式（filling pattern）、屈服强度（yield strength）和抗拉强度（tensile strength）作为输入参数，并结合通过特征工程（feature engineering）获得的附加特征。所提出的方法将九个基模型（base models）与线性元模型（linear meta-model）相结合，使其能够捕捉变量之间的线性和非线性关系。在测试数据集上获得的结果显示出较强的预测性能，均方误差（Mean Squared Error, MSE）为7.31，决定系数（Coefficient of Determination, R²）为0.99，明显优于单个模型的性能。为验证模型，研究人员对另一组独立试样进行了测试，实测杨氏模量与预测值之间的平均差异约为1%。该模型还被集成于一款带有图形界面的桌面应用程序中，可直接运行计算，从而实现杨氏模量的快速估算。以此方式，基于人工智能的方法减少了增材制造（additive manufacturing）中繁琐实验测试的需求。

**研究背景与问题提出**

随着对复杂、可定制和高性能产品高效制造需求的增长，三维打印或增材制造技术得到了广泛应用。在众多增材制造技术中，熔融沉积成型因其设备成本较低且可用材料丰富而成为目前最常见的方法。然而，FDM制件通常表现出较传统制造技术更差的力学性能，因此研究其结构-工艺-性能关系具有重要意义。此外，制件的弹性常数和力学性能（包括杨氏模量、屈服强度、抗拉强度等）不仅受材料影响，还深受打印参数的制约。由于参数组合数量庞大，实验评估变得极为困难且成本高昂。虽然机器学习在材料性能预测方面已展现出潜力，但针对FDM制造的PLA试样，在有限实验数据条件下，结合生成对抗网络（Generative Adversarial Networks, GAN）合成数据增强与堆叠集成建模的特定组合研究仍不够充分。因此，开发一种仅需打印设置和少量物理特性即可预测力学行为的可靠模型具有重要的实用价值。

**研究开展与核心结论**

研究人员开展了针对PLA试样杨氏模量预测的系统研究，构建并验证了一种基于堆叠集成的机器学习方法。研究得出以下主要结论：堆叠集成模型在测试集上取得了MSE为7.31、R²达0.9999的优异性能，显著优于任何单个基模型；特征重要性分析表明填充度和抗拉强度对杨氏模量预测影响最大；独立实验验证显示预测值与实测值平均误差仅为1.03%；此外，仅基于打印参数的简化模型也能达到R²=0.9969的精度。该研究的意义在于将理论算法转化为实用的桌面应用程序，为工程现场提供快速决策支持，有效减少实验测试工作量，推动机器学习在增材制造中的实际应用。该论文发表于《Polymers》期刊。

**关键技术方法**

研究人员采用的核心技术路线包括以下五个主要方面：样本队列来源于依据ISO 527-2标准制备的40个狗骨型PLA拉伸试样，采用全因子实验设计覆盖三种填充度（60%、80%、100%）、两种填充模式（对角线型与六边形）及四种打印速度（40、60、80、100 mm/s），并测试获得各试样的杨氏模量、屈服强度和抗拉强度作为数据集；预处理与特征工程技术，包括分类变量的标签编码（label encoding）和独agma一热编码（one-hot encoding）、基于中位数和四分位距的RobustScaler稳健标准化，以及通过添加平方项和交互项进行特征衍生；基于生成对抗网络的合成数据增强技术，利用生成器与判别器的竞争训练生成400个符合原始数据统计分布的合成样本，以扩充有限实验数据集；九种异构基模型的训练与筛选，涵盖线性模型（岭回归、多项式岭回归、Huber回归）、树模型（决策树、随机森林、极端随机树、梯度提升）、集成方法（Bagging）和基于距离的方法（K近邻回归）；以及堆叠集成架构的构建与验证，采用交叉验证生成基模型的预测矩阵，以线性回归作为元模型整合各基模型输出，并通过独立实验验证模型的实际预测能力。

**研究结果**

**预处理与特征工程**：研究人员对原始数据进行了系统的预处理操作。分类变量经编码转换为数值形式，连续变量采用RobustScaler进行标准化处理以消除极端值影响。特征工程阶段添加了平方项和交互项，以表征变量间的非线性效应。这些操作使得变量间的关系更易于分析，并有助于提升预测模型的精度。

**堆叠集成模型的构建**：研究人员构建了包含九个基模型的堆叠集成架构。基模型涵盖不同算法家族，包括线性模型用于解释性分析、树模型用于捕捉非线性效应与交互作用、Huber回归器降低异常值敏感性、以及K近邻回归器基于特征空间相似性进行预测。通过交叉验证的out-of-fold策略生成基模型预测矩阵，再以线性回归作为元模型训练学习最优权重组合。模型在测试集上取得MSE=7.31和R²≈0.9999的优异性能，优于最优基模型极端随机树（CV MSE≈15.51±7.23）及其他所有单个模型。

**特征重要性分析**：通过特征相关性分析，研究人员发现填充度和抗拉强度对杨氏模量预测的影响最为显著。填充度的平方项作为衍生特征被引入模型，有效表征了非线性效应——即高填充密度下内部结构趋近实心配置时，杨氏模量的增长速率逐渐减缓的物理现象。

**实验验证**：为验证模型的实际适用性，研究人员额外制备了五组独立验证试样，选取100%填充率、对角线填充模式、100 mm/s打印速度的组合。实测平均杨氏模量为2900.69 MPa，预测平均值为2893.81 MPa，平均相对误差为1.03%，个体误差介于0.21%至2.49%之间。即使对于训练数据分布边缘的高值样本（2984.23 MPa），预测仍处于工程可接受范围内。

**仅基于打印参数的互补模型**：研究人员还开发了仅使用打印参数（填充度、填充模式、打印速度）作为输入的简化模型变体。该模型在原始40个实验样本上测试取得R²=0.9969的精度。两种模型形成互补：混合模型在已有力学数据时精度更高，纯打印参数模型则适用于单轴测试前的初步设计阶段。

**图形应用程序开发**：研究人员将预测模型封装为Python开发的桌面图形应用程序，采用模块化设计包含模型加载模块、预测计算模块和用户图形界面。界面采用标签页布局，包含杨氏模量预测和最优打印速度预测两个功能面板，用户可通过滑块选择填充度、下拉菜单选择填充模式、数值输入框录入力学参数，无需编程经验即可操作。

**讨论部分总结**

研究人员在讨论部分进一步阐述了建模策略的合理性与应用价值。关于生成对抗网络的数据增强作用，研究人员指出原始数据集仅含40个样本，若直接划分训练集与测试集，存在部分参数组合被完全排除于训练数据之外的高风险。GAN生成的合成数据保留了原始数据的统计特性和物理技术边界，有效扩充了训练样本量，降低了模型过拟合风险。虽然合成数据在参数空间的分布 gaps 上与原始数据一致——因为GAN的角色并非创造新的参数值——但增加的数据量有助于提升模型在缺失区间内的预测稳定性。

关于堆叠集成方法的优势，研究人员强调了元模型的核心作用：与简单平均或投票不同，堆叠通过独立的线性元模型学习如何最优组合基模型预测，能够校正单个基模型的系统性误差，从而在保持稳定性的同时提升整体性能。研究中特意选择了多样化的基模型家族，正是为了让元模型能够同时利用线性趋势、局部偏差、非线性行为和抗极端观测能力等多方面的互补信息。

关于两种模型变体的定位，研究人员明确了它们各自的应用场景。混合输入模型适用于已具备历史测试数据、材料数据库或技术文献支持的场合，此时屈服强度和抗拉强度的引入可显著提升预测精度；而纯打印参数模型则为设计前期的快速参数筛选提供了便利，工程师无需等待实际力学测试即可获得合理的杨氏模量估算值，从而加速迭代优化过程。

关于图形界工程化意义，研究人员认为将算法转化为桌面应用是实现技术落地的重要步骤。该应用连接了实验过程、数据处理和决策支持的全流程，特别适用于需要快速参数选择、减少实验测试和标准化评估规程的工业环境。这体现了机器学习在增材制造中不仅可作为分析工具，更能成为支撑规划过程和质量导向决策的操作性工具。

关于未来研究方向，研究人员指出可将该方法拓展至其他材料和增材制造技术，整合更多工艺参数如挤出头温度和层厚，并针对更复杂几何形状进行验证。总体而言，基于实验验证和易用界面集成的集成学习方法，为增材制造中的力学性能估算提供了可行解决方案。

**研究结论翻译**

本研究提出、评估并验证了一种用于预测FDM技术制造PLA试样杨氏模量的堆叠集成架构模型。通过结合九个基模型与线性元模型，所提出的方法能够捕捉工艺参数与材料力学性能之间关系中的线性和非线性成分。数值结果显示了极高的性能，堆叠模型取得了MSE为7.31的结果，相比之下最优基模型的MSE为15.51。堆叠模型的R²值达到0.9999，相对于单个模型具有明显优势。

特征分析表明，填充度和抗拉强度对刚度预测的影响最大。衍生特征也有助于更准确地描述系统的非线性行为。五个独立试样的实验验证表明，模型在开发阶段后仍保持准确性，平均误差为1.03%，显示出非常好的实际应用潜力。

研究人员还评估了该模型的一种互补变体。该变体完全基于打印参数，在真实初始数据集上获得了R²=0.9969。这表明，当屈服强度和抗拉强度可获得时，该方法可作为混合高精度模型使用；或者仅基于打印条件作为初步估算工具。

所选数据集涵盖了广泛的打印参数范围，以展示预测算法的有效性。对于实际中可能需要更高或更低杨氏模量、或更小或更大打印参数的特定用例，用户可以创建优化数据集并重新训练算法以获得更新结果。

一项重要成果是将模型从理论算法分析转化为实用工具，以带有图形界面的桌面应用程序形式呈现。通过这一实现，预测方法变得可供工业环境中的用户使用，有助于减少实验测试、优化工艺参数和标准化技术决策。

除预测精度外，开发的工作流程作为工程师的支持工具具有价值，因为它将实验过程、数据处理和决策支持整合于同一流程中。这在需要快速参数选择、减少实验测试和可重复评估程序的场合尤为重要。因此，该研究支持机器学习方法在增材制造中更广泛的应用——不仅作为分析模型，而且作为能够协助规划过程和质量导向决策的操作性工具。

作为未来发展方向，所提出方法的适用性可扩展至其他材料和其他增材制造技术，整合更多工艺参数如挤出头温度和层厚，以及验证更复杂的几何形状。总体而言，所得结果表明，由实验验证支持并集成于易用界面中的集成学习方法，代表了估算增材制造中力学性能的一种可行解决方案。