10%碳纤维增强FDM打印聚丙烯腈-丁二烯-苯乙烯共聚物（ABS）介电性能的预测：一种机器学习方法

《Scientific Reports》：Prediction of dielectric behaviour of FDM printed-acrylonitrile butadiene styrene (ABS) reinforced with 10% carbon fiber: a machine learning approach

　　

摘要

利用熔融沉积成型（FDM）和增材制造（AM）技术，可以制造出具有特定电学功能特性的聚合物复合材料。为了实验分析用10重量%碳纤维（CF）增强的ABS的介电行为，本研究考察了填充密度、打印速度和填充图案对介电常数、品质因数（Q值）、损耗正切（tan δ）和击穿电压的影响。在利用田口L9实验设计优化打印参数后，本研究采用五种集成机器学习模型——梯度提升（GB）、自适应提升（AB）、轻量级梯度提升机（LGBM）、额外树（ET）和猫提升（CB）——对报告的介电性能进行预测。介电常数的范围为1.280至4.071，击穿电压在2.58至5.83 kV之间变化。研究发现，填充密度是最重要的因素，解释了介电性能中49.1%至61.0%的变化。其次是打印速度（18.0%至36.7%）和填充图案（13.9%至27.9%）。在预测准确性方面，梯度提升方法优于其他模型，R2约为0.999，且预测误差极低。通过使用独立的训练-验证-测试评估、10折交叉验证以及使用额外样本进行外部验证，进一步证实了所提出模型的可靠性。研究结果表明，优化FDM工艺参数为定制碳纤维增强ABS复合材料的介电性能提供了一种有效途径，并凸显了机器学习作为预测增材制造聚合物复合材料介电性能的可靠工具的潜力。