Flerkriterieoptimering av FDM-processparametrar för NylonAF80-filament med CRITIC, CoCoSo och maskininlärningsmetoder

Varför 3D-utskriftsinställningar spelar roll

Den som hanterat en 3D-utskriven detalj vet att vissa känns tåliga och släta medan andra krymper, spricker eller ser grova ut. Denna studie undersöker hur man ställer in parametrarna i en vanlig 3D-utskriftsteknik så att delar tillverkade av ett speciellt nylonbaserat material blir starkare, mer dimensionellt korrekta och får bättre ytfinish. Arbetet är särskilt relevant för företag som vill gå bortom enkla prototyper och använda 3D-utskrift för verkliga funktionella delar som kugghjul, lager och fixturer.

En närmare titt på en slitstark ny plast

Forskningen fokuserade på ett filament kallat NylonAF80, ett nylonmaterial förstärkt med 8 % korta aramidfibrer, liknande de fibrer som används i kulskyddande tyger. Denna blandning är utformad för att motstå nötning, krypning och värme, vilket gör det attraktivt för delar som måste klara upprepad rörelse och belastning. Med en FDM-skrivare (fused deposition modeling) tillverkade de små rektangulära block med ett hål i mitten, som efterliknar former som används i kugghjul och lagerhus. Istället för att ändra en inställning i taget följde de en strukturerad testplan med 18 olika kombinationer av sex utskriftsval, inklusive lagertjocklek, munstycke- och bords-temperatur, utskriftshastighet samt riktningarna för hur plasttrådarna och hela delen lades ner.

Mätning av form, känsla och yta

För att bedöma kvalitet följde teamet tre enkla utfall. Först kontrollerade de dimensionsnoggrannhet genom att jämföra det utskrivna volymen med avsedd volym; skillnader visade sig som ett volymfel som avslöjade hur mycket delarna krympte eller deformerades. För det andra mätte de ytjämnhet, vilket påverkar både utseende och hur delen beter sig under belastning. För det tredje mätte de hårdhet med en standardiserad indenter som pressas in i plasten; högre värden indikerar bättre motstånd mot nötning och deformation. Trots att endast två tredjedelar av varje block fylldes med material för att spara tid och filament nådde de bästa proverna cirka 87 % av den hårdhet som tillverkaren angav, medan de sämsta inställningarna nästan halverade det värdet och gav mer deformering och grov yta.

Hitta den optimala inställningskombinationen

Eftersom de tre kvalitetsmåtten kan påverka i olika riktningar använde teamet flerkriterie‑beslutsverktyg för att balansera dem. En metod, kallad CRITIC, tilldelade automatiskt vikt till varje utfall baserat på hur mycket det varierade och hur oberoende det var från de andra, vilket gav liknande vikt åt hårdhet och ytjämnhet och något mindre åt formeftersomhet. En annan metod, CoCoSo, kombinerade dessa vikter med testresultaten för att rangordna alla 18 utskriftsupplägg. Det bästa receptet visade sig vara en mycket fin lagertjocklek (0,1 mm), relativt hög munstyckstemperatur (255 °C), medelhög bordstemperatur (100 °C), måttlig utskriftshastighet (40 mm/s), trådar lagda i 90 graders riktning och delen utskriven på kant. Denna kombination gav delar som både var hårda och nära avsedd form, med acceptabel ytfinish. Statistisk analys bekräftade att lagertjocklek och utskriftshastighet var de mest inflytelserika parametrarna, följt av hur delen var orienterad på byggplattformen.

Använda data och bilder för att se in i utskriften

För att kontrollera om olika analysmetoder var överens jämförde forskarna CoCoSo med två andra beslutsmetoder och fann att alla tre gav mycket liknande rangordningar. De använde sedan enkla maskininlärningsmodeller för att se om en dator kunde lära sig från den lilla datamängden och förutsäga vilka inställningskombinationer som skulle ge över genomsnittlig kvalitet. Beslutsträd—flödesschema-liknande strukturer som delar upp efter en inställning i taget—presterade bättre än andra modeller och klassificerade hårdhet, formefel och ytjämnhet korrekt i de flesta fall när de tränades på 80 % av data. I varje träd dök lagertjocklek upp högst upp, vilket understryker dess centrala roll. Slutligen visade högförstorade elektronmikroskopbilder av prover utskrivna under bästa respektive sämsta förhållanden varför detta spelar roll: dåliga inställningar gav porer, glipor mellan lager och grova, vågiga ytor, medan de optimerade inställningarna gav tätare bindning och färre håligheter.

Vad detta betyder för verkliga delar

I praktiska termer visar studien att noggrann inställning av några få viktiga reglage på en FDM-skrivare—särskilt lagertjocklek, utskriftshastighet och byggorientering—kan förvandla ett fiberförstärkt nylon från ett lovande material till en pålitlig arbetshäst för funktionella delar. Genom att kombinera strukturerade experiment, beslutsverktyg och maskininlärning kartlade författarna kombinationer som minimerar deformering och grov yta samtidigt som delarna förblir hårda och hållbara. Dessa riktlinjer kan hjälpa tillverkare att skriva ut mer pålitliga kugghjul, lager och fixturer för användning i fordon, flygplan och industriell utrustning, och pekar mot framtida arbete med större datamängder och ännu smartare förutsägelsemodeller.

Citering: 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

Nyckelord: 3D-utskrift, fused deposition modeling, nylonkompositer, procesoptimering, maskininlärning