Optimisation multicritère des paramètres du procédé FDM pour filaments NylonAF80 en utilisant CRITIC, CoCoSo et des approches d’apprentissage automatique

Pourquoi les réglages d’impression 3D comptent

Quiconque a manipulé une pièce imprimée en 3D sait que certaines paraissent robustes et lisses, tandis que d’autres se déforment, fissurent ou ont une surface rugueuse. Cette étude examine comment ajuster les paramètres d’une méthode d’impression 3D courante afin que les pièces fabriquées à partir d’un matériau à base de nylon sortent plus résistantes, plus fidèles aux dimensions prévues et avec un meilleur fini. Le travail intéresse particulièrement les entreprises qui souhaitent dépasser le stade du simple prototype et utiliser l’impression 3D pour des pièces fonctionnelles comme des engrenages, des paliers et des montages.

Un examen approfondi d’un nouveau plastique résistant

Les chercheurs se sont concentrés sur un filament appelé NylonAF80, un nylon renforcé par 8 % de fibres aramides courtes, semblables à celles employées dans les tissus pare-balles. Ce mélange est conçu pour résister à l’usure, au fluage et à la chaleur, ce qui le rend attrayant pour des pièces soumises à des mouvements et des charges répétés. À l’aide d’une imprimante à dépôt de matière fondue (FDM), ils ont produit de petits blocs rectangulaires avec un trou central, imitant des formes utilisées dans des engrenages et des corps de roulement. Plutôt que de modifier un seul paramètre à la fois, ils ont suivi un plan d’essai structuré avec 18 combinaisons différentes de six choix d’impression, incluant l’épaisseur de couche, les températures de buse et du plateau, la vitesse d’impression et les orientations d’impression des fils et de la pièce entière.

Mesurer la forme, la sensation et le fini

Pour évaluer la qualité, l’équipe a suivi trois résultats simples. D’abord, ils ont vérifié la précision dimensionnelle en comparant le volume imprimé au volume prévu ; les différences se manifestaient sous forme d’erreur volumétrique, révélant dans quelle mesure les pièces ont rétréci ou se sont déformées. Ensuite, ils ont mesuré la rugosité de surface, qui affecte l’aspect de la pièce et son comportement sous contrainte. Enfin, ils ont évalué la dureté à l’aide d’un pénétrateur standard ; des valeurs élevées indiquent une meilleure résistance à l’usure et à la déformation. Même en remplissant chaque bloc à seulement deux tiers pour gagner du temps et du matériau, les meilleurs échantillons atteignaient environ 87 % de la dureté annoncée par le fabricant du filament, tandis que les pires réglages réduisaient presque de moitié cette valeur et entraînaient davantage de déformations et de rugosité.

Trouver le compromis optimal dans les réglages

Parce que les trois critères de qualité peuvent aller dans des directions différentes, l’équipe a utilisé des outils de décision multicritère pour les équilibrer. Une méthode, appelée CRITIC, a attribué automatiquement une importance à chaque résultat en fonction de sa variabilité et de son indépendance vis-à-vis des autres, donnant un poids similaire à la dureté et à la douceur de la surface et légèrement inférieur à l’erreur de forme. Une autre méthode, nommée CoCoSo, a combiné ces poids avec les résultats des essais pour classer les 18 configurations d’impression. La meilleure recette globale s’est révélée être une très fine épaisseur de couche (0,1 mm), une température de buse relativement élevée (255 °C), une température de plateau moyenne (100 °C), une vitesse d’impression modérée (40 mm/s), des fils déposés à 90 degrés et la pièce imprimée sur la tranche. Cette combinaison produisait des pièces à la fois dures et proches de la forme prévue, avec un fini de surface acceptable. L’analyse statistique a confirmé que l’épaisseur de couche et la vitesse d’impression étaient les leviers les plus influents, suivis par l’orientation de la pièce sur la plate-forme.

Utiliser données et images pour scruter l’intérieur de l’impression

Pour vérifier si les différentes méthodes d’analyse concordaient, les chercheurs ont comparé CoCoSo à deux autres techniques de décision et ont constaté que les trois donnaient des classements très similaires. Ils ont ensuite intégré des modèles d’apprentissage automatique simples pour voir si un ordinateur pouvait apprendre à partir du petit jeu de données et prédire quelles combinaisons de paramètres produiraient une qualité supérieure à la moyenne. Les arbres de décision — structures en forme de diagramme qui séparent selon un paramètre à la fois — ont surpassé les autres modèles et ont correctement classé la dureté, l’erreur dimensionnelle et la rugosité dans la plupart des cas lorsqu’ils étaient entraînés sur 80 % des données. Dans chaque arbre, l’épaisseur de couche figurait en tête, soulignant son rôle central. Enfin, des images au microscope électronique à fort grossissement des échantillons imprimés dans les meilleures et les pires conditions ont montré pourquoi cela compte : de mauvais réglages produisent des pores, des espaces entre les couches et des surfaces rugueuses et ondulées, tandis que les réglages optimisés donnent des liaisons plus serrées et moins de vides.

Ce que cela signifie pour les pièces du monde réel

Concrètement, l’étude montre qu’un réglage soigné de quelques paramètres clés d’une imprimante FDM — en particulier l’épaisseur de couche, la vitesse d’impression et l’orientation de fabrication — peut transformer un nylon renforcé en fibres d’un matériau prometteur en un cheval de bataille fiable pour des pièces fonctionnelles. En combinant des expériences structurées, des outils de décision et de l’apprentissage automatique, les auteurs ont cartographié des combinaisons qui minimisent le gauchissement et la rugosité tout en conservant des pièces dures et durables. Ces recommandations pourraient aider les fabricants à imprimer des engrenages, paliers et montages plus fiables pour des véhicules, des avions et des équipements industriels, et ouvrent la voie à des travaux futurs avec des jeux de données plus larges et des modèles de prédiction encore plus performants.

Citation: 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

Mots-clés: impression 3D, dépôt de matière fondue, composites en nylon, optimisation de procédé, apprentissage automatique