Multikriterien-Optimierung der FDM-Prozessparameter für NylonAF80-Filamente mittels CRITIC, CoCoSo und Machine-Learning-Ansätzen

Warum 3D-Druck-Einstellungen wichtig sind

Wer schon einmal ein 3D-gedrucktes Bauteil in der Hand hatte, weiß, dass manche Teile robust und glatt wirken, während andere sich verziehen, Risse bekommen oder rau aussehen. Diese Studie untersucht, wie sich die Einstellungen eines verbreiteten 3D-Druck-Verfahrens so anpassen lassen, dass Teile aus einem speziellen nylonbasierten Material stärker, maßhaltiger und mit besserer Oberfläche entstehen. Die Arbeit ist besonders relevant für Unternehmen, die über einfache Prototypen hinausgehen und 3D-Druck für funktionale Bauteile wie Zahnräder, Lager und Vorrichtungen nutzen möchten.

Ein genauerer Blick auf ein robustes neues Kunststoffmaterial

Die Forschenden konzentrierten sich auf ein Filament namens NylonAF80, ein Nylonmaterial, verstärkt mit 8 % kurzen Aramidfasern, ähnlich denen, die in kugelsicheren Geweben verwendet werden. Diese Mischung ist darauf ausgelegt, Verschleiß, Kriechen und Hitze zu widerstehen, wodurch sie für Bauteile attraktiv wird, die wiederholte Bewegungen und Belastungen aushalten müssen. Mithilfe eines Fused-Deposition-Modeling-(FDM-)Druckers stellten sie kleine rechteckige Blöcke mit einem Loch in der Mitte her, die Formen nachahmen, wie sie in Zahnrädern und Lagergehäusen vorkommen. Statt eine Einstellung nach der anderen zu ändern, folgten sie einem strukturierten Versuchsplan mit 18 unterschiedlichen Kombinationen aus sechs Druckparametern, darunter Schichthöhe, Düse- und Betttemperatur, Druckgeschwindigkeit sowie die Richtungen, in denen die Kunststoffstränge und das gesamte Bauteil aufgebaut wurden.

Messung von Form, Gefühl und Oberfläche

Zur Beurteilung der Qualität verfolgte das Team drei leicht zu erfassende Kennwerte. Zunächst prüften sie die Maßhaltigkeit, indem sie das gedruckte Volumen mit dem vorgesehenen Volumen verglichen; Abweichungen zeigten sich als volumetrischer Fehler und offenbarten, wie stark die Teile geschrumpft oder verzogen waren. Als Nächstes maßen sie die Oberflächenrauheit, die das Erscheinungsbild und das Verhalten unter Belastung beeinflusst. Drittens bestimmten sie die Härte mit einem standardisierten Eindringkörper; höhere Werte signalisieren bessere Beständigkeit gegen Verschleiß und Verformung. Selbst bei nur zu zwei Dritteln gefüllten Blöcken, um Zeit und Material zu sparen, erreichten die besten Proben etwa 87 % der vom Filamenthersteller angegebenen Härte, während die schlechtesten Einstellungen diesen Wert nahezu halbierten und mehr Verzug sowie rauere Oberflächen erzeugten.

Die optimale Einstellung finden

Da die drei Qualitätsmaßstäbe in unterschiedliche Richtungen wirken können, nutzte das Team Multikriterien-Entscheidungswerkzeuge, um sie auszugleichen. Eine Methode, CRITIC genannt, wies automatisch jeder Kennzahl eine Bedeutung basierend auf ihrer Variabilität und Unabhängigkeit gegenüber den anderen zu, wobei Härte und Glätte ähnliches Gewicht erhielten und der Formfehler etwas weniger. Eine andere Methode, CoCoSo, kombinierte diese Gewichte mit den Versuchsergebnissen, um alle 18 Druckkonfigurationen zu bewerten. Das insgesamt beste Rezept erwies sich als sehr feine Schichthöhe (0,1 mm), eine relativ hohe Düsentemperatur (255 °C), mittlere Betttemperatur (100 °C), moderate Druckgeschwindigkeit (40 mm/s), Strangausrichtung bei 90 Grad und das Bauteil auf der Kante gedruckt. Diese Kombination erzeugte Teile, die sowohl hart als auch nah an der vorgesehenen Form waren und eine akzeptable Oberflächenqualität zeigten. Statistische Analysen bestätigten, dass Schichthöhe und Druckgeschwindigkeit die einflussreichsten Stellgrößen waren, gefolgt von der Orientierung des Bauteils auf der Bauplatte.

Mit Daten und Bildern ins Innere des Drucks blicken

Um zu prüfen, ob verschiedene Analysemethoden übereinstimmen, verglichen die Forschenden CoCoSo mit zwei anderen Entscheidungsverfahren und stellten fest, dass alle drei sehr ähnliche Rangfolgen ergaben. Anschließend setzten sie einfache Machine-Learning-Modelle ein, um zu testen, ob ein Computer aus dem kleinen Datensatz lernen und vorhersagen kann, welche Einstellungskombinationen überdurchschnittliche Qualität liefern. Entscheidungsbäume — flussdiagrammähnliche Strukturen, die jeweils an einer Einstellung aufteilen — schnitten besser ab als andere Modelle und klassifizierten Härte, Maßfehler und Rauheit in den meisten Fällen korrekt, wenn sie mit 80 % der Daten trainiert wurden. In jedem Baum erschien die Schichthöhe an oberster Stelle, was ihre zentrale Bedeutung unterstreicht. Schließlich zeigten hochvergrößerte Elektronenmikroskopaufnahmen von Proben, die unter den besten und schlechtesten Bedingungen gedruckt wurden, warum das wichtig ist: Schlechte Einstellungen führten zu Poren, Lagenzwischenräumen und rauen, welligen Oberflächen, während optimierte Einstellungen zu engerer Verbindung und weniger Hohlräumen führten.

Was das für reale Bauteile bedeutet

Praktisch zeigt die Studie, dass sorgfältiges Einstellen einiger weniger Schlüsselfaktoren an einem FDM-Drucker — insbesondere Schichthöhe, Druckgeschwindigkeit und Bauteilorientierung — ein faserverstärktes Nylon von einem vielversprechenden Material zu einem zuverlässigen Arbeitspferd für funktionale Bauteile machen kann. Durch die Kombination strukturierter Experimente, Entscheidungswerkzeuge und Machine Learning haben die Autoren Kombinationen ermittelt, die Verzug und Rauheit minimieren und zugleich Härte und Dauerfestigkeit bewahren. Diese Leitlinien könnten Herstellern helfen, zuverlässigere Zahnräder, Lager und Vorrichtungen für den Einsatz in Fahrzeugen, Flugzeugen und industriellen Anlagen zu drucken und weisen den Weg zu künftigen Arbeiten mit größeren Datensätzen und noch leistungsfähigeren Vorhersagemodellen.

Zitation: Alrasheedi, N.H., Kumar, P.M., Sivanantham, G. et al. Multi criteria optimization of FDM process parameters for NylonAF80 filaments using CRITIC CoCoSo and machine learning approaches. Sci Rep 16, 11213 (2026). https://doi.org/10.1038/s41598-026-38122-5

Schlüsselwörter: 3D-Druck, Fused Deposition Modeling, Nylon-Verbundwerkstoffe, Prozessoptimierung, Machine Learning