Video Experimental Relacionado
Updated: May 10, 2026
14:24
Manufacturing of Three-dimensionally Microstructured Nanocomposites through Microfluidic Infiltration
Published on: March 12, 2014
12.5K
Optimización impulsada por el aprendizaje automático de la resistencia a la compresión del material compuesto de
R S Jayaram1, P Saravanamuthukumar2, Ahmad Baharuddin Abdullah2
1Department of Mechanical Engineering, Amrita Vishwa Vidyapeetham, Nagercoil, Tamil Nadu, India.
PloS one
|August 28, 2025
Resumen
Este estudio optimiza la resistencia a la compresión de los compuestos de PLA/Almond Shell impresos en 3D utilizando el aprendizaje automático. La regresión polinómica identificó configuraciones de impresión óptimas, logrando un rendimiento mecánico superior en comparación con los métodos tradicionales.
Área de la Ciencia:
- Ciencias de los materiales
- Fabricación aditiva
- Aprendizaje automático
Sus antecedentes:
- La impresión 3D permite diseños complejos de múltiples capas.
- Los materiales clasificados funcionalmente (FGM) ofrecen propiedades a medida.
- La optimización de la resistencia mecánica de la MGF es crucial para las aplicaciones.
Objetivo del estudio:
- Para optimizar la resistencia a la compresión (CS) de las FGM de PLA reforzadas con cáscara de almendras.
- Evaluar modelos de aprendizaje automático (ML) para la predicción de CS basados en parámetros de proceso de FFF.
- Para comparar la optimización de ML con el método tradicional Taguchi.
Principales métodos:
- Fabricación de MGF mediante el proceso de fabricación de filamentos fundidos (FFF).
- Se utilizaron seis modelos ML para predecir el CS basado en la velocidad de impresión (PS), la altura de la capa (LH) y la temperatura de impresión (PT).
- Se empleó el análisis SHAP para determinar la influencia de los parámetros y la regresión polinómica (PR) para la optimización.
Principales resultados:
- La Regresión Polinómica (PR) logró la mejor precisión de predicción (R2=0,88) entre los modelos ML.
- La velocidad de impresión (PS) y la altura de la capa (LH) se identificaron como los parámetros más influyentes.
- Los parámetros optimizados predijeron un CS de 36 MPa, validado experimentalmente a 34,8 MPa (3,44% de error).
Conclusiones:
- La optimización de ML basada en PR mejora significativamente la precisión y el rendimiento mecánico de las MGF.
- Las MGF optimizadas demuestran su idoneidad para diversas aplicaciones de consumo.
- La optimización de ML supera a los métodos tradicionales como Taguchi, ofreciendo un mayor poder predictivo y rendimiento del material.
