摘要
熔融丝制造（FFF）工艺用于制备形状记忆聚合物复合材料（SMPCs），在需要机械强度和可靠形状记忆性能的航空航天应用中具有潜力。然而，基于性能的工艺优化仍具有挑战性。因此，本研究建立了一个基于实验的工艺-性能数据库，并开发了一个框架来预测拉伸强度、形状固定比和形状恢复比。通过全因子实验和正交实验获得拉伸和热机械数据，并使用方差分析来评估实验因素对相应性能的影响。在此基础上，开发了一种基于数据分割辅助的遗传算法优化的反向传播神经网络（DDGA-BP）。该模型保留了在遗传优化过程中获得的训练网络及其训练记录，并使用该网络进行最终预测，从而提高了预测的稳定性和可重复性。为了评估其可靠性和稳定性，在十个重复的碳含量分层数据分割中，将DDGA-BP与多元线性回归、随机森林回归和传统的GA-BP进行了比较。DDGA-BP在三个性能指标上的平均平方误差（R2）分别为0.836、0.942和0.931，同时具有最低的平均绝对误差（MAE）和均方根误差（RMSE），以及比传统GA-BP更低的变异性。所提出的框架能够实现准确且可重复的性能预测，并支持4D打印SMPC组件的性能导向设计。
利益冲突
作者声明没有利益冲突。
数据可用性声明
支持本研究结果的数据可在合理请求下从相应作者处获得。
