基于FFF打印的ABS热塑性材料激光切割质量的实验评估和基于机器学习的预测
1Department of Industrial Engineering, Faculty of Engineering and Natural Sciences, Osmaniye Korkut Ata University, 80010 Osmaniye, Türkiye.
Polymers
|July 12, 2025
概括
这项研究探讨了二氧化碳激光切割的后处理3D打印的烯酸丁 styrene (ABS) 零件. LSTM-GRU机器学习模型准确预测了切割结果,确定切割速度是提高表面质量和尺寸精度的最关键因素.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 计算科学 计算科学
背景情况:
- 增材制造 (AM),特别是合丝制造 (FFF),提供了设计自由,但导致零件的表面质量和尺寸精度差.
- 一种常见的FFF材料 - - 烯酸丁 styrene (ABS) 需要进行后处理,以提高表面表面和精度.
- 优化后加工对于实现FFF生产零件的全部潜力至关重要.
研究的目的:
- 研究二氧化碳激光切割参数对FFF打印ABS板的表面质量和尺寸精度的影响.
- 开发和比较用于预测激光切割结果的机器学习模型.
- 确定影响3D打印ABS零件后处理的关键参数.
主要方法:
- 进行了45个实验试验,用于ABS的CO2激光切割,不同的板厚,切割速度和激光功率.
- 统计分析了测量结果,包括表面粗度,沟宽度和受热影响区域.
- 开发和评估了七种机器学习模型 (线性回归,支持向量回归,极端梯度提升,随机森林,LSTM,LSTM-GRU,LSTM-XGBoost) 以预测性能.
主要成果:
- 在所有评估的指标中,LSTM-GRU模型表现出最高的预测准确性.
- 切割速度被确定为影响切割质量的最重要的参数,其次是激光功率和板厚度.
- 该研究建立了一个强大的实验计算框架,用于预测激光切割性能.
结论:
- 二氧化碳激光切割是一种有效的后处理技术,用于提高FFF打印的ABS元件的表面表面和尺寸精度.
- 机器学习,特别是LSTM-GRU,可以准确预测激光切割结果,从而实现流程优化.
- 这些发现有助于提高聚合物基增材制造的精度和效率.
