精密歯科プロトタイピングにおける表面粗さ予測のための機械学習ベースのアプローチ
Anmol Sharma1, Ravinder S Saini2, Ashish Kaushik3
1USICT, Guru Gobind Singh Indraprastha University, Sector 16C, Dwarka, Delhi, India.
Scientific reports
|September 1, 2025
まとめ
この研究は,表面の粗さ (SR) の予測モデルを開発することで,歯科機器のための樹脂3Dプリントを最適化しました. 機械学習,特にXGBoostによって 予測の精度が大幅に向上し 歯科器具の品質が向上しました
科学分野:
- アディティブ製造
- 材料科学
- 機械学習
背景:
- 樹脂ベースの3Dプリントは複雑な幾何学を可能にするが,しばしば表面の粗さをもたらし,歯科器具の性能に影響を与える.
- 表面の粗さ (SR) は3Dプリントされた歯科器具の耐久性と有効性に影響を与える重要な要因です.
- 歯科における3Dプリントのパラメータを最適化するために,SRの予測モデリングは不可欠です.
研究 の 目的:
- 樹脂3Dプリントにおける表面粗さ予測のための機械学習モデルを開発し,比較する.
- 歯科用アプリケーションで表面の粗さを最小限に抑えるための最適な切断パラメータを特定する.
- この予測タスクのアンサンブルメソッドを含む様々な機械学習アルゴリズムのパフォーマンスを評価する.
主な方法:
- 試料は樹脂3Dプリンターを使用して設計実験 (DOE) によって決定されたパラメータを使用して製造されました.
- 5つの要因 (層の厚さ,充填密度,印刷角度,曝露時間,持ち上げ速度) を32回で調査した.
- 人工ニューラルネットワーク (ANN),サポートベクトル回帰 (SVR),決定樹 (DT),ランダムフォレスト (RF),XGBoostが採用され,調整された.
主要な成果:
- 支持ベクトル回帰 (SVR) は,R2が0. 967とRMSEが0. 018で高いパフォーマンスを示した.
- アセンブル・メソッドはベースモデルを上回り,XGBoostが最も高い精度を達成しました (R2 = 0.998,RMSE = 0.003).
- ハイパーパラメータチューニングによりモデルの性能が向上し,選択された機械学習のアプローチの有効性が検証されました.
結論:
- 機械学習モデル,特にXGBoostは,樹脂3Dプリントにおける表面の粗さについて非常に正確な予測を提供します.
- この研究は 3Dプリントプロセスを最適化し 歯科器具の品質を向上させるために 歯科専門家に貴重なツールを提供します
- この研究は,予測可能性とパフォーマンスを向上させるための追加製造におけるハイブリッドマシン・ラーニングのアプローチの可能性を強調しています.
