3D打印的ASA组件的硬度和表面粗度经过乙蒸汽处理和不同的生产变量:通过机器学习和深度学习进行多重估计工作

科学领域:

• 材料科学 材料科学 材料科学
• 添加剂制造 添加剂制造 添加剂制造
• 机器学习 机器学习

背景情况:

• 烯乙烯烯酸 (ASA) 是一种高性能热塑性塑料,适用于户外应用,需要出色的硬度和表面表面.
• 对于3D打印的ASA组件来说,后处理对于满足美学和性能要求至关重要.
• 优化3D打印参数和后处理对于提高ASA材料性能至关重要.

研究的目的:

• 调查乙蒸汽处理和3D打印参数对ASA硬度和表面粗度的综合影响.
• 应用机器学习 (ML) 和深度学习 (DL) 策略来预测这些属性.
• 为了确定优越的ASA组件性能,最佳的加工条件.

主要方法:

• 对ASA组件进行实验分析,这些组件受到不同的乙蒸汽持续时间 (15-120分钟),层厚度 (0.1-0.4毫米) 和充填率 (25-100%) 的不同.
• 实施多种ML/DL模型,包括支持向量回归器 (SVR),梯度增强 (GB),循环神经网络 (RNN) 和1D卷积神经网络 (1D-CNN).
• 对硬度和表面粗度的模型预测精度的比较评估.

主要成果:

• SVR和1D-CNNs的组合证明了ASA硬度和表面粗度的最高预测准确度.
• 渐变增强 (GB) 和循环神经网络 (RNN) 也提供了可靠的,低误差的预测.
• 在45分钟的乙蒸汽处理后达到最佳硬度,在层厚度/填充率和Shore D硬度之间观察到正相关性.

结论:

• 机器学习,特别是使用1D-CNNs的SVR,对于优化ASA3D打印和后处理是有效的.
• 乙蒸汽处理的持续时间是一个关键因素,45分钟产生最高硬度.
• 该研究提供了一种数据驱动的方法,用于提高3D打印ASA的机械和表面性能,以满足苛刻的应用.