Prediktiv modellering och experimentell validering av mekaniska–mikrostrukturella samband i 3D‑printade Onyx–fiberkompositer

Starkare detaljer från hemmabyggda 3D‑skrivare

Många äger eller använder idag bords‑3D‑skrivare, men för att göra dessa maskiner till verktyg för verkliga flygplan, drönare eller robotar krävs plaster som är betydligt starkare än vanliga hobbymaterial. Denna studie undersöker hur man kan kombinera en seg nylonbaserad plast kallad Onyx med hårfina kolfiber‑ och glasfibertrådar, och använder sedan experiment och datorbaserade modeller för att visa hur skrivarinställningar kan ställas in för att få den bästa kombinationen av styrka, styvhet och flexibilitet i dessa avancerade 3D‑printade detaljer.

Bygga med plast och trådar av styrka

Forskarna arbetade med en kommersiell skrivare som lägger ner två material samtidigt: Onyx‑plasten och kontinuerliga strängar av kolfiber eller glasfiber. Dessa fiber fungerar som armeringsjärn i betong och bär största delen av lasten medan plasten håller samman strukturen. De varierade hur full detaljen var inuti, hur många lager fiber som inkluderades, hur stor del av tvärsnittet fibern upptog och i vilken riktning fibrerna löpte. Provstycken drogs och böjdes enligt internationella standarder för att mäta hur starka och styva de printade kompositerna verkligen var.

Hur utskriftsmönster och fiberval ändrar styrkan

Teamet fann att delar förstärkta med kolfiber var mycket starkare och styvare än de med glasfiber, men de gick också sönder på ett mer sprött sätt. Den bästa kolfiberkonstruktionen nådde en draghållfasthet på ungefär fyrfaldig jämfört med ren Onyx, samtidigt som den tålde kraftiga böjbelastningar. Glasfiberdelarna bar däremot mindre laster men töjde sig mer innan brott, vilket kan vara användbart när lite flexibilitet önskas. Det interna mönstret som användes för att fylla delarna spelade en nyckelroll: ett flytande, tredimensionellt "gyroid"‑mönster fördelade spänningarna jämnt och gav de högsta styrkorna, medan ett enkelt rektangulärt rutnät skapade svaga punkter där sprickor kunde initieras.

Lära datorer förutsäga 3D‑printad prestanda

Eftersom det vore kostsamt och tidskrävande att testa varje möjlig kombination av inställningar använde författarna en strukturerad plan med 27 noggrant utvalda utskriftsrecept för att täcka designrummet effektivt. De tränade sedan maskininlärningsmodeller för att lära sig sambanden mellan skrivarinställningar och uppmätta egenskaper. En linjär modell fångade hur utskriftsval påverkade böjhållfastheten med utmärkt noggrannhet, medan en mer flexibel random forest‑modell förutspådde både dragstyrka och töjning. Dessa verktyg kunde förklara mer eller mindre all variation i datan, vilket betyder att när de väl är tränade kan de förutsäga beteendet hos nya utskriftsrecept utan ytterligare fysiska tester.

Titta på brutna ytor för dolda ledtrådar

För att förstå varför vissa delar gick sönder plötsligt och andra gradvis undersökte teamet brutna provstycken i ett svepelektronmikroskop. Kolfiberkompositer visade skarpa sprickor och kort fiberutdragning, tecken på en styv men spröd struktur. Glasfiberstycken visade mer omfattande fiberutdragning, mellanrum mellan fibrer och plast samt större områden av skadat matrixmaterial, alla kännetecken kopplade till att absorbera mer energi före brott. Dessa mikroskopiska observationer stämde överens med trenderna i styrka och duktilitet från de mekaniska testerna och från datorstrukturerna, och knöt samman synliga brottmönster med underliggande struktur.

Vad detta betyder för framtida printade delar

För icke‑specialister är huvudbudskapet att starka, lätta delar från skrivare i desktop‑skala inte bara handlar om att välja en fin filament utan om hur materialet läggs ner i tre dimensioner. Genom att noggrant välja fibertyp, fiber­riktning och inre mönster, och genom att använda datadrivna modeller för att vägleda dessa val, kan ingenjörer utforma 3D‑printade komponenter som antingen prioriterar maximal styrka eller offrar en del styrka för större seghet och flexibilitet. Detta kombinerade experimentella och maskininlärningsbaserade angreppssätt erbjuder en färdplan för att omvandla vardagliga 3D‑skrivare till pålitliga verktyg för krävande strukturella tillämpningar.

Citering: Dhage, B.H., Khedkar, N.K., Naidu, M.J. et al. Predictive modeling and experimental validation of mechanical–microstructural relationships in 3D-printed Onyx–fibre composites. Sci Rep 16, 14715 (2026). https://doi.org/10.1038/s41598-026-45529-7

Nyckelord: 3D‑printade kompositer, Onyx kolfiber, glasfiberförstärkning, mekaniska egenskaper, maskininlärningsmodeller