3Dプリントされたバイオポリマー複合材料の圧縮強さの最適化
R S Jayaram1, P Saravanamuthukumar2, Ahmad Baharuddin Abdullah2
1Department of Mechanical Engineering, Amrita Vishwa Vidyapeetham, Nagercoil, Tamil Nadu, India.
PloS one
|August 28, 2025
まとめ
この研究は,機械学習を使用して3DプリントされたPLA/アーモンドシェル複合材料の圧縮強さを最適化します. ポリノミアル回帰は,従来の方法と比較して優れた機械性能を達成する最適なプリント設定を特定しました.
科学分野:
- 材料科学
- アディティブ製造
- 機械学習
背景:
- 3Dプリントは 複雑な多層設計を可能にします
- 機能的に分類された材料 (FGMs) は,カスタマイズされた性質を提供します.
- FGMの機械的強度を最適化することは 応用において極めて重要です
研究 の 目的:
- PLA/アーモンドシェル強化PLAFGMの圧縮強度 (CS) を最適化する.
- FFFプロセスのパラメータに基づいてCSを予測するための機械学習 (ML) モデルを評価する.
- ML最適化と伝統的なタグチ方法を比較する.
主な方法:
- FGMの製造には,Fused Filament Fabrication (FFF) プロセスを使用する.
- 印刷速度 (PS),層高 (LH),印刷温度 (PT) に基づいてCSを予測するために6つのMLモデルを使用しました.
- パラメータの影響と最適化のための多項式回帰 (PR) を決定するためにSHAP分析を使用した.
主要な成果:
- 多項式回帰 (PR) は,MLモデルの中で最高の予測精度 (R2=0.88) を達成した.
- 印刷速度 (PS) と層高 (LH) が最も影響するパラメータとして特定されました.
- 最適化されたパラメータは36MPaのCSを予測し,実験的に34.8MPaで検証された (3.44%の誤差).
結論:
- PRベースのML最適化は,FGMの精度とメカニカル性能を大幅に改善します.
- 最適化されたFGMは様々な消費者の用途に適しています.
- 機械学習の最適化は タグチのような従来の方法を超えて 予測力や材料の性能を向上させています
