Enfoque basado en el aprendizaje automático para la predicción de la rugosidad de la superficie en el prototipo...

Área de la Ciencia:

• Fabricación aditiva
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• La impresión 3D basada en resina permite geometrías complejas, pero a menudo resulta en rugosidad de la superficie, lo que afecta el rendimiento del dispositivo dental.
• La rugosidad de la superficie (SR) es un factor crítico que influye en la durabilidad y la eficacia de los dispositivos dentales impresos en 3D.
• El modelado predictivo de SR es esencial para optimizar los parámetros de impresión 3D en odontología.

Objetivo del estudio:

• Desarrollar y comparar modelos de aprendizaje automático para predecir la rugosidad de la superficie en la impresión 3D con resina.
• Identificar los parámetros óptimos de corte para minimizar la rugosidad de la superficie en aplicaciones dentales.
• Evaluar el rendimiento de varios algoritmos de aprendizaje automático, incluidos los métodos de conjunto, para esta tarea de predicción.

Principales métodos:

• Las muestras se fabricaron utilizando una impresora 3D de resina con parámetros determinados por el Diseño de Experimentos (DoE).
• Se investigaron cinco factores (espesor de la capa, densidad de relleno, ángulo de impresión, tiempo de exposición, velocidad de elevación) en 32 carreras.
• Las redes neuronales artificiales (ANN), la regresión de vectores de soporte (SVR), los árboles de decisión (DT), el bosque aleatorio (RF) y XGBoost se emplearon y sintonizaron.

Principales resultados:

• La regresión del vector de soporte (SVR) mostró un buen rendimiento con R2 de 0,967 y RMSE de 0,018.
• Los métodos conjuntos superaron a los modelos base, con XGBoost logrando la mayor precisión (R2 = 0,998, RMSE = 0,003).
• El ajuste de hiperparámetros mejoró aún más el rendimiento del modelo, validando la efectividad de los enfoques de aprendizaje automático elegidos.

Conclusiones:

• Los modelos de aprendizaje automático conjuntos, especialmente XGBoost, proporcionan predicciones altamente precisas para la rugosidad de la superficie en la impresión 3D con resina.
• Esta investigación ofrece una herramienta valiosa para los profesionales dentales para optimizar los procesos de impresión 3D y mejorar la calidad de los dispositivos dentales.
• El estudio destaca el potencial de los enfoques híbridos de aprendizaje automático en la fabricación aditiva para mejorar la previsibilidad y el rendimiento.