相关实验视频
Updated: Jun 11, 2025
04:36
Author Spotlight: Real-Time Imaging of Bonding in 3D-Printed Layers
Published on: September 1, 2023
3.2K
基于机器学习的可解释影响因子识别,用于3D打印过程与结构的联系
Fuguo Liu1,2, Ziru Chen3, Jun Xu4
1School of Statistics and Data Science, Xinjiang University of Finance and Economics, Urumqi 830012, China.
Polymers
|September 28, 2024
概括
使用机器学习优化3D打印参数显示,挤出膨胀比率,弹性模量和断裂时的延长显著影响打印质量. 这项研究阐明了实现卓越3D打印效果的关键因素.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造业 制造技术 制造技术
- 计算科学 计算科学
背景情况:
- 三维打印 (3D打印) 是制造业中一个至关重要的快速原型技术.
- 优化3D打印参数对于实现所需的打印效果至关重要.
- 了解这些参数的影响需要理论和数据驱动的方法.
研究的目的:
- 使用机器学习预测3D打印参数对打印效果的影响.
- 用数学模型为参数影响提供理论解释.
- 根据先前的经验验验证关键参数的重要性.
主要方法:
- 采用了四种机器学习算法:支持向量回归 (SVR),随机森林,梯度增强决策树 (GBDT) 和极端梯度增强 (XGB).
- 使用特征重要性和SHAP (沙普利增量解释) 值来评估参数影响.
- 使用贝叶斯优化和网格搜索优化超参数,然后在分割数据集上进行预测建模.
主要成果:
- 确定了挤出扩张比,弹性模量和断裂时的延长作为对打印效果最有影响力的参数.
- 对比了SVR,随机森林,GBDT和XGB模型的预测性能.
- 已确认的发现与3D打印的现有实践经验一致.
结论:
- 机器学习有效地预测了3D打印参数对打印结果的影响.
- 像挤出扩张比,弹性模量和断裂时的延长等关键材料属性对于印刷质量至关重要.
- 未来的工作将专注于进一步优化和应用可解释的机器学习,以提高3D打印效率和可靠性.
