Otimização multicritério dos parâmetros do processo FDM para filamentos NylonAF80 usando CRITIC, CoCoSo e abordagens de aprendizado de máquina

Por que as configurações de impressão 3D importam

Qualquer pessoa que já manuseou uma peça impressa em 3D sabe que algumas ficam rígidas e lisas, enquanto outras empenam, trincam ou têm aparência áspera. Este estudo investiga como ajustar as configurações de um método comum de impressão 3D para que peças feitas de um material especial à base de nylon saiam mais resistentes, com maior precisão dimensional e superfícies de melhor aparência. O trabalho é especialmente relevante para empresas que querem ir além de protótipos simples e usar impressão 3D para peças funcionais reais, como engrenagens, mancais e gabaritos.

Um olhar mais atento para um plástico novo e resistente

Os pesquisadores focaram em um filamento chamado NylonAF80, um nylon reforçado com 8% de fibras aramidas curtas, similares às usadas em tecidos à prova de balas. Essa mistura foi projetada para resistir ao desgaste, fluência e calor, tornando-a atraente para peças que precisam suportar movimentos e cargas repetidas. Usando uma impressora por modelagem por deposição fundida (FDM), produziram pequenos blocos retangulares com um orifício no centro, imitando formas usadas em engrenagens e corpos de mancais. Em vez de alterar um ajuste por vez, seguiram um plano de testes estruturado com 18 combinações diferentes de seis decisões de impressão, incluindo espessura de camada, temperaturas do bico e da mesa, velocidade de impressão e as direções em que as fibras plásticas e a peça inteira foram depositadas.

Medindo forma, sensação e acabamento

Para avaliar a qualidade, a equipe acompanhou três resultados diretos. Primeiro, verificaram a precisão dimensional comparando o volume impresso com o volume pretendido; as diferenças apareceram como erro volumétrico, revelando quanto as peças encolheram ou empenaram. Segundo, mediram a rugosidade superficial, que afeta tanto a aparência quanto o comportamento sob esforço. Terceiro, avaliaram a dureza usando um penetrador padrão que pressiona o plástico; valores maiores indicam melhor resistência ao desgaste e à deformação. Mesmo com apenas dois terços de cada bloco preenchidos para economizar tempo e material, as melhores amostras atingiram cerca de 87% da dureza especificada pelo fabricante do filamento, enquanto as piores configurações praticamente reduziram esse valor pela metade e produziram mais empenamento e aspereza.

Encontrando o ponto ideal nas configurações

Como as três medidas de qualidade podem puxar em direções diferentes, a equipe usou ferramentas de decisão multicritério para equilibrá-las. Um método, chamado CRITIC, atribuiu automaticamente importância a cada resultado com base em quanto variava e quão independente era dos outros, dando pesos semelhantes à dureza e à suavidade e um pouco menos ao erro de forma. Outro método, chamado CoCoSo, combinou esses pesos com os resultados dos testes para ranquear as 18 configurações de impressão. A melhor receita geral revelou-se uma espessura de camada muito fina (0,1 mm), temperatura de bico relativamente alta (255 °C), temperatura de mesa média (100 °C), velocidade de impressão moderada (40 mm/s), deposição das fibras a 90 graus e a peça impressa deitada na aresta. Essa combinação produziu peças duras e próximas da forma pretendida, com acabamento superficial aceitável. A análise estatística confirmou que a espessura de camada e a velocidade de impressão foram as alavancas mais influentes, seguidas pela orientação da peça na mesa de construção.

Usando dados e imagens para enxergar dentro da peça

Para testar se diferentes métodos de análise concordavam, os pesquisadores compararam o CoCoSo com outras duas técnicas de decisão e descobriram que as três produziram rankings muito semelhantes. Em seguida, trouxeram modelos simples de aprendizado de máquina para ver se um computador poderia aprender com o pequeno conjunto de dados e prever quais combinações de ajustes resultariam em qualidade acima da média. Árvores de decisão — estruturas em forma de fluxograma que separam por um ajuste de cada vez — superaram outros modelos e classificaram corretamente dureza, erro dimensional e rugosidade na maioria dos casos quando treinadas com 80% dos dados. Em todas as árvores, a espessura de camada apareceu no topo, ressaltando seu papel central. Por fim, imagens de microscopia eletrônica em alta ampliação de amostras impressas nas melhores e piores condições mostraram por que isso importa: configurações pobres produziram poros, lacunas entre camadas e superfícies ásperas e onduladas, enquanto as configurações otimizadas deram ligação mais próxima e menos vazios.

O que isso significa para peças do mundo real

Em termos práticos, o estudo mostra que o ajuste cuidadoso de alguns comandos-chave numa impressora FDM — especialmente espessura de camada, velocidade de impressão e orientação de construção — pode transformar um nylon reforçado com fibra de um material promissor em uma solução confiável para peças funcionais. Ao combinar experimentos estruturados, ferramentas de tomada de decisão e aprendizado de máquina, os autores mapearam combinações que minimizam empenamento e rugosidade mantendo as peças duras e duráveis. Essas diretrizes podem ajudar fabricantes a imprimir engrenagens, mancais e gabaritos mais confiáveis para uso em veículos, aeronaves e equipamentos industriais, e apontam o caminho para trabalhos futuros com conjuntos de dados maiores e modelos de previsão ainda mais inteligentes.

Citação: 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

Palavras-chave: impressão 3D, modelagem por deposição fundida, compósitos de nylon, otimização de processo, aprendizado de máquina