基于机器学习的方法用于精密牙科原型的表面粗度预测
Anmol Sharma1, Ravinder S Saini2, Ashish Kaushik3
1USICT, Guru Gobind Singh Indraprastha University, Sector 16C, Dwarka, Delhi, India.
Scientific reports
|September 1, 2025
概括
这项研究通过开发表面粗度 (SR) 的预测模型来优化牙科设备的树脂3D打印. 整合机器学习,特别是XGBoost, 显著提高了预测准确度, 提高了牙科设备的质量.
科学领域:
- 添加剂制造
- 材料科学
- 机器学习
背景情况:
- 基于树脂的3D打印可以实现复杂的几何形状,但通常会导致表面粗,影响牙科设备的性能.
- 表面粗度 (SR) 是影响3D打印牙科设备耐用性和有效性的关键因素.
- 预测性模型对优化牙科3D打印参数至关重要.
研究的目的:
- 开发和比较机器学习模型,用于预测树脂3D打印中的表面粗度.
- 确定最佳的切片参数,以尽量减少牙科应用中的表面粗度.
- 评估各种机器学习算法的性能,包括组合方法,用于此预测任务.
主要方法:
- 使用树脂3D打印机制造样本,参数由实验设计部 (DoE) 确定.
- 在32个运行中调查了五个因素 (层厚,填充密度,打印角度,曝光时间,提升速度).
- 人工神经网络 (ANN),支持向量回归 (SVR),决策树 (DT),随机森林 (RF) 和XGBoost被使用和调整.
主要成果:
- 支持向量回归 (SVR) 的表现强,R2为0.967和RMSE为0.018.
- 集成方法的性能优于基准模型,XGBoost获得了最高的准确性 (R2 = 0.998,RMSE = 0.003).
- 超参数调整进一步增强了模型性能,验证了所选择的机器学习方法的有效性.
结论:
- 集成的机器学习模型,尤其是XGBoost,可在树脂3D打印中提供高度准确的表面粗度预测.
- 这项研究为牙科专业人员提供了优化3D打印过程和提高牙科设备质量的宝贵工具.
- 这项研究强调了混合机器学习方法在增材制造中提高可预测性和性能的潜力.
