Ottimizzazione multicriterio dei parametri del processo FDM per filamenti NylonAF80 usando CRITIC, CoCoSo e approcci di machine learning

Perché i parametri di stampa 3D sono importanti

Chiunque abbia maneggiato un pezzo stampato in 3D sa che alcuni risultano robusti e lisci, mentre altri si deformano, si crepano o appaiono ruvidi. Questo studio esamina come calibrare i parametri di un metodo di stampa 3D comune affinché i pezzi realizzati con un materiale a base di nylon speciale risultino più resistenti, più fedeli alle dimensioni previste e con superfici esteticamente migliori. Il lavoro è particolarmente rilevante per le aziende che vogliono andare oltre i semplici prototipi e utilizzare la stampa 3D per componenti funzionali come ingranaggi, cuscinetti e supporti.

Uno sguardo più da vicino a una nuova plastica resistente

I ricercatori si sono concentrati su un filamento chiamato NylonAF80, un nylon rinforzato con l’8% di fibre aramidiche corte, simili a quelle impiegate nei tessuti antiproiettile. Questa miscela è progettata per resistere all’usura, al creep e al calore, rendendola interessante per componenti soggetti a movimenti ripetuti e carichi. Utilizzando una stampante a deposizione fusa (FDM), hanno prodotto piccoli blocchi rettangolari con un foro al centro, riproducendo forme utilizzate in ingranaggi e sedi di cuscinetti. Invece di modificare un parametro alla volta, hanno seguito un piano di prova strutturato con 18 diverse combinazioni di sei scelte di stampa, incluse lo spessore dello strato, le temperature dell’ugello e del piano, la velocità di stampa e le direzioni in cui vengono depositati i filamenti e l’intero pezzo.

Misurare forma, sensazione e finitura

Per valutare la qualità, il team ha monitorato tre esiti diretti. Primo, hanno verificato la precisione dimensionale confrontando il volume stampato con il volume previsto; le differenze si manifestavano come un errore volumetrico, rivelando quanto i pezzi si fossero ridotti o deformati. Secondo, hanno misurato la rugosità superficiale, che influisce sull’aspetto del pezzo e sul comportamento sotto carico. Terzo, hanno valutato la durezza usando un indentatore standard che preme nella plastica; valori più alti indicano maggiore resistenza all’usura e alla deformazione. Anche riempiendo solo due terzi di ogni blocco per risparmiare tempo e materiale, i campioni migliori hanno raggiunto circa l’87% della durezza dichiarata dal produttore del filamento, mentre le impostazioni peggiori hanno quasi dimezzato quel valore e prodotto maggiore deformazione e rugosità.

Trovare il punto ideale dei parametri

Poiché le tre misure di qualità possono andare in direzioni diverse, il team ha utilizzato strumenti decisionali multicriterio per bilanciarle. Un metodo, chiamato CRITIC, ha assegnato automaticamente importanza a ciascun esito in base a quanto variava e a quanto fosse indipendente dagli altri, dando peso simile a durezza e levigatezza e leggermente inferiore all’errore di forma. Un altro metodo, denominato CoCoSo, ha combinato questi pesi con i risultati delle prove per classificare tutte e 18 le configurazioni di stampa. La migliore ricetta complessiva si è rivelata essere uno spessore di strato molto fine (0,1 mm), una temperatura dell’ugello relativamente elevata (255 °C), una temperatura del piano media (100 °C), una velocità di stampa moderata (40 mm/s), filamenti depositati a 90 gradi e il pezzo stampato sul fianco. Questa combinazione ha prodotto componenti sia duri che vicini alla forma prevista, con una finitura superficiale accettabile. L’analisi statistica ha confermato che lo spessore di strato e la velocità di stampa sono state le leve più influenti, seguite dall’orientamento del pezzo sul piano di stampa.

Usare dati e immagini per guardare all’interno della stampa

Per verificare se i diversi metodi di analisi concordavano, i ricercatori hanno confrontato CoCoSo con altre due tecniche decisionali e hanno riscontrato che tutte e tre fornivano classifiche molto simili. Hanno poi impiegato semplici modelli di machine learning per vedere se un computer potesse apprendere dal piccolo insieme di dati e prevedere quali combinazioni di impostazioni avrebbero prodotto una qualità superiore alla media. Gli alberi decisionali—strutture a diagramma di flusso che suddividono i casi in base a un parametro alla volta—hanno superato gli altri modelli e hanno classificato correttamente durezza, errore dimensionale e rugosità nella maggior parte dei casi quando allenati sull’80% dei dati. In ogni albero lo spessore di strato è comparso in cima, sottolineandone il ruolo centrale. Infine, immagini al microscopio elettronico ad alto ingrandimento dei campioni stampati nelle condizioni migliori e peggiori hanno mostrato il motivo di tutto ciò: le impostazioni scadenti hanno prodotto porosità, discontinuità tra gli strati e superfici ruvide e ondulate, mentre le impostazioni ottimizzate hanno dato legami più stretti e meno vuoti.

Cosa significa questo per i pezzi del mondo reale

In termini pratici, lo studio dimostra che una regolazione accurata di pochi parametri chiave su una stampante FDM—soprattutto spessore di strato, velocità di stampa e orientamento del pezzo—può trasformare un nylon rinforzato con fibre da materiale promettente a valida soluzione per componenti funzionali. Combinando esperimenti strutturati, strumenti decisionali e machine learning, gli autori hanno mappato combinazioni che minimizzano deformazione e rugosità mantenendo i pezzi duri e durevoli. Queste linee guida potrebbero aiutare i produttori a stampare ingranaggi, cuscinetti e supporti più affidabili per veicoli, aeromobili e impianti industriali, e indicano la strada per lavori futuri con set di dati più ampi e modelli predittivi ancora più avanzati.

Citazione: 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

Parole chiave: stampa 3D, fused deposition modeling, compositi in nylon, ottimizzazione del processo, machine learning