Optymalizacja wielokryterialna parametrów procesu FDM dla filamentów NylonAF80 z wykorzystaniem CRITIC, CoCoSo oraz podejść uczenia maszynowego

Dlaczego ustawienia druku 3D mają znaczenie

Każdy, kto miał do czynienia z częścią wydrukowaną w 3D, wie, że niektóre są twarde i gładkie, a inne się odkształcają, pękają lub wyglądają chropowato. Badanie to analizuje, jak dobrać ustawienia popularnej metody druku 3D, aby elementy wykonane ze specjalnego materiału na bazie nylonu były mocniejsze, bardziej wymiarowo dokładne i miały lepszą powierzchnię. Praca jest szczególnie istotna dla firm, które chcą wyjść poza proste prototypy i stosować druk 3D do funkcjonalnych części, takich jak koła zębate, łożyska czy mocowania.

Przyjrzenie się wytrzymałemu nowemu tworzywu

Naukowcy skupili się na filamencie nazwanym NylonAF80 — nylonie wzmocnionym 8% krótkich włókien aramidowych, podobnych do tych używanych w tkaninach kuloodpornych. Mieszanka ta została zaprojektowana tak, by opierać się zużyciu, pełzaniu i temperaturze, co czyni ją atrakcyjną do części narażonych na powtarzające się ruchy i obciążenia. Korzystając z drukarki FDM, wytworzyli małe prostokątne bloczki z otworem na środku, naśladując kształty stosowane w kołach zębatych i obudowach łożysk. Zamiast zmieniać pojedyncze ustawienie po kolei, zastosowali usystematyzowany plan testów obejmujący 18 różnych kombinacji sześciu parametrów drukowania, w tym grubość warstwy, temperatury dyszy i stołu, prędkość druku oraz kierunki układania włókien i orientację całej części.

Pomiary kształtu, wyczucia i wykończenia

Aby ocenić jakość, zespół monitorował trzy proste wielkości. Po pierwsze, sprawdzali dokładność wymiarową, porównując objętość wydruku z zamierzoną objętością; różnice ujawniały błąd objętościowy, wskazujący, o ile części się skurczyły lub odkształciły. Po drugie, mierzyli chropowatość powierzchni, która wpływa na wygląd i zachowanie elementu pod obciążeniem. Po trzecie, oceniali twardość za pomocą standardowego wciśnięcia — wyższe wartości oznaczają lepszą odporność na zużycie i odkształcenia. Nawet przy tym, że tylko dwie trzecie każdego bloczka wypełniono materiałem, aby oszczędzić czas i filament, najlepsze próbki osiągnęły około 87% twardości deklarowanej przez producenta filamentu, podczas gdy najgorsze ustawienia prawie ją zmniejszały o połowę i powodowały większe odkształcenia i chropowatość.

Znajdowanie optymalnego zestawu ustawień

Ponieważ trzy miary jakości mogą iść w różnych kierunkach, zespół zastosował narzędzia wielokryterialnego podejmowania decyzji, aby je zrównoważyć. Jedna metoda, nazwana CRITIC, automatycznie przypisywała znaczenie każdemu wynikowi na podstawie jego zmienności i niezależności względem pozostałych, nadając podobną wagę twardości i gładkości oraz nieco mniejszą błędowi wymiarowemu. Inna metoda, CoCoSo, połączyła te wagi z wynikami testów, aby uszeregować wszystkie 18 konfiguracji drukowania. Najlepszy ogólny przepis okazał się obejmować bardzo cienką warstwę (0,1 mm), relatywnie wysoką temperaturę dyszy (255 °C), średnią temperaturę stołu (100 °C), umiarkowaną prędkość druku (40 mm/s), układ włókien pod kątem 90 stopni oraz druk części na krawędzi. Ta kombinacja dawała części twarde i zbliżone do zamierzonego kształtu, z akceptowalnym wykończeniem powierzchni. Analiza statystyczna potwierdziła, że grubość warstwy i prędkość druku były najbardziej wpływowymi parametrami, a następnie orientacja części na stole roboczym.

Wykorzystanie danych i obrazów do wglądu w strukturę wydruku

Aby sprawdzić zgodność różnych metod analizy, badacze porównali CoCoSo z dwoma innymi technikami decyzyjnymi i stwierdzili, że wszystkie trzy dały bardzo podobne rankingi. Następnie wprowadzili proste modele uczenia maszynowego, by sprawdzić, czy komputer może nauczyć się na małym zbiorze danych i przewidzieć, które kombinacje ustawień dadzą ponadprzeciętną jakość. Drzewa decyzyjne — struktury przypominające schematy blokowe, które rozdzielają dane według pojedynczych ustawień — przewyższały inne modele i w większości przypadków poprawnie klasyfikowały twardość, błąd wymiarowy i chropowatość, gdy trenowano je na 80% danych. W każdym drzewie na szczycie pojawiała się grubość warstwy, co podkreśla jej kluczową rolę. Na koniec obrazy skaningowego mikroskopu elektronowego o dużym powiększeniu próbek wydrukowanych w najlepszych i najgorszych warunkach pokazały, dlaczego to ma znaczenie: złe ustawienia powodowały pory, szczeliny między warstwami i chropowate, faliste powierzchnie, podczas gdy ustawienia zoptymalizowane dawały ciasniejsze wiązanie i mniej pustek.

Co to oznacza dla części użytkowych

W praktyce badanie pokazuje, że staranne dostrojenie kilku kluczowych pokręteł w drukarce FDM — szczególnie grubości warstwy, prędkości druku i orientacji konstrukcji — może przekształcić nylon wzmacniany włóknami z obiecującego materiału w niezawodnego konia roboczego do części funkcjonalnych. Łącząc usystematyzowane eksperymenty, narzędzia decyzyjne i uczenie maszynowe, autorzy wyznaczyli kombinacje minimalizujące odkształcenia i chropowatość przy zachowaniu twardości i trwałości części. Te wskazówki mogą pomóc producentom w drukowaniu bardziej niezawodnych kół zębatych, łożysk i mocowań do zastosowań w pojazdach, samolotach i sprzęcie przemysłowym oraz wskazują kierunki dalszych prac z większymi zbiorami danych i jeszcze inteligentniejszymi modelami predykcyjnymi.

Cytowanie: 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

Słowa kluczowe: druk 3D, fused deposition modeling, kompozyty nylonowe, optymalizacja procesu, uczenie maszynowe