Meercriteria-optimalisatie van FDM-procesparameters voor NylonAF80-filamenten met CRITIC, CoCoSo en machine learning-benaderingen

Waarom 3D-printinstellingen ertoe doen

Wie ooit een 3D-geprint onderdeel heeft vastgehouden, weet dat sommige stijf en glad aanvoelen, terwijl andere vervormen, barsten of ruw ogen. Deze studie onderzoekt hoe je de instellingen van een gangbare 3D-printmethode kunt afstemmen zodat onderdelen van een speciaal nylonmateriaal sterker zijn, nauwkeuriger van afmetingen en met aantrekkelijkere oppervlakken. Het werk is vooral relevant voor bedrijven die verder willen gaan dan eenvoudige prototypen en 3D-printen willen inzetten voor echte functionele onderdelen zoals tandwielen, lagers en opspanningen.

Een nadere blik op een taaie nieuwe kunststof

De onderzoekers concentreerden zich op een filament genaamd NylonAF80, een nylonmateriaal versterkt met 8% korte aramidevezels, vergelijkbaar met de vezels die in kogelwerende stoffen worden gebruikt. Deze samenstelling is ontworpen om slijtage, kruip en hitte te weerstaan, waardoor het aantrekkelijk is voor onderdelen die herhaalde beweging en belasting moeten doorstaan. Met een FDM-printer (fused deposition modeling) produceerden ze kleine rechthoekige blokken met een gat in het midden, die vormen nabootsen die in tandwielen en lagerhuizingen voorkomen. In plaats van één instelling per keer te veranderen, volgden ze een gestructureerd testplan met 18 verschillende combinaties van zes printkeuzes, waaronder laagdikte, nozzle- en bedtemperaturen, printsnelheid en de richtingen waarin de kunststofstrengen en het gehele onderdeel werden gelegd.

Vorm, gevoel en afwerking meten

Om kwaliteit te beoordelen volgde het team drie eenvoudige uitkomsten. Ten eerste controleerden ze dimensionale nauwkeurigheid door het geprinte volume te vergelijken met het beoogde volume; verschillen verschenen als een volumetrische fout en toonden hoeveel de onderdelen krimpten of vervormden. Ten tweede maten ze oppervlakteruwheid, wat zowel het uiterlijk als het gedrag onder belasting beïnvloedt. Ten derde bepaalden ze hardheid met een standaard indenter die in de kunststof drukt; hogere waarden duiden op betere weerstand tegen slijtage en vervorming. Zelfs met slechts tweederde van elk blok gevuld met materiaal om tijd en filament te besparen, bereikten de beste monsters ongeveer 87% van de door de filamentfabrikant opgegeven hardheid, terwijl de slechtste instellingen die waarde bijna halveerden en meer vervorming en ruwheid produceerden.

Het vinden van de optimale instellingen

Aangezien de drie kwaliteitsmaatregelen elkaar soms tegengesteld beïnvloeden, gebruikte het team meercriteria-besluitvormingsinstrumenten om ze in balans te brengen. Een methode, CRITIC genoemd, kende automatisch belangrijkheid toe aan elke uitkomst op basis van hoe veel deze varieerde en hoe onafhankelijk deze van de andere was, waarbij hardheid en gladheid vergelijkbaar gewicht kregen en vormfout iets minder. Een andere methode, CoCoSo, combineerde deze gewichten met de testresultaten om alle 18 printopstellingen te rangschikken. Het beste algemene recept bleek een zeer fijne laagdikte (0,1 mm), een relatief hoge nozzletemperatuur (255 °C), een middelhoog bedtemperatuur (100 °C), een gematigde printsnelheid (40 mm/s), strengen gelegd onder 90 graden en het onderdeel op de rand geprint. Deze combinatie leverde onderdelen die zowel hard als dicht bij de beoogde vorm waren, met een acceptabele oppervlakteafwerking. Statistische analyse bevestigde dat laagdikte en printsnelheid de meest invloedrijke knoppen waren, gevolgd door de oriëntatie van het onderdeel op het bouwplateau.

Met data en beelden in de print kijken

Om te testen of verschillende analysemethoden overeenkwamen, vergeleken de onderzoekers CoCoSo met twee andere besluitvormingstechnieken en vonden dat alle drie zeer vergelijkbare rangschikkingen opleverden. Ze voegden vervolgens eenvoudige machine learning-modellen toe om te zien of een computer van de kleine dataset kon leren en voorspellen welke instellingcombinaties bovengemiddelde kwaliteit zouden opleveren. Decision trees—stroomdiagramachtige structuren die telkens op één instelling splitsen—presteerden beter dan andere modellen en classificeerden in de meeste gevallen hardheid, dimensionale fout en ruwheid correct wanneer ze op 80% van de data werden getraind. In elke boom verscheen laagdikte bovenaan, wat de centrale rol ervan onderstreepte. Ten slotte lieten hoogvergrotere elektronenmicroscoopbeelden van monsters geprint onder de beste en slechtste omstandigheden zien waarom dit belangrijk is: slechte instellingen produceerden poriën, openingen tussen lagen en ruwe, golvende oppervlakken, terwijl de geoptimaliseerde instellingen strakkere binding en minder holtes gaven.

Wat dit betekent voor onderdelen in de praktijk

In praktische termen laat de studie zien dat zorgvuldige afstemming van een paar belangrijke knoppen op een FDM-printer—vooral laagdikte, printsnelheid en bouworiëntatie—een vezelversterkt nylon kan transformeren van een veelbelovend materiaal tot een betrouwbare werkkracht voor functionele onderdelen. Door gestructureerde experimenten, besluitvormingshulpmiddelen en machine learning te combineren, brachten de auteurs combinaties in kaart die vervorming en ruwheid minimaliseren terwijl de onderdelen hard en duurzaam blijven. Deze richtlijnen kunnen fabrikanten helpen betrouwbaardere tandwielen, lagers en opspanningen te printen voor gebruik in voertuigen, vliegtuigen en industriële installaties, en wijzen de weg naar vervolgwerk met grotere datasets en nog slimmer voorspellende modellen.

Bronvermelding: 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

Trefwoorden: 3D-printen, fused deposition modeling, nyloncomposieten, procesoptimalisatie, machine learning