使用CRITIC、CoCoSo和机器学习方法对NylonAF80耗材的FDM工艺参数进行多准则优化

为何3D打印设置很重要

凡是接触过3D打印零件的人都知道，有些零件摸起来坚韧光滑，而有些则会翘曲、开裂或表面粗糙。本研究探讨如何调整一种常见3D打印方法的参数，使采用一种特殊尼龙基材料的零件在强度、尺寸精度和表面外观上都更好。该工作对那些希望超越简单原型、将3D打印用于齿轮、轴承和夹具等实际工作零件的公司尤其有意义。

聚焦一种坚韧的新型塑料

研究者聚焦于一种名为NylonAF80的耗材，这是一种加入了8%短切芳纶纤维的尼龙材料，类似于防弹织物中使用的纤维。该配方旨在提高耐磨性、抗蠕变性和耐热性，使其适用于需要经受反复运动和载荷的零件。研究团队使用熔融沉积成型（FDM）打印机，制备了带中心孔的小矩形块，模拟齿轮和轴承体中的常见形状。研究没有逐一单独改变参数，而是按照结构化试验方案，测试了18种由六个打印选项组合而成的设置，包括层厚、喷嘴和床温、打印速度，以及材料纤维走向和整体零件的摆放方向。

测量形状、手感与表面质量

为评估质量，团队跟踪了三个直接结果。首先，他们通过比较打印体积与目标体积来检查尺寸精度；差异以体积误差表现，反映零件收缩或翘曲的程度。其次，他们测量了表面粗糙度，这会影响零件的外观和受力行为。第三，他们使用标准压痕仪测定硬度；更高的数值表示更好的耐磨和抗变形能力。即便为了节省时间和材料，每块样品仅填充了约三分之二的体积，最佳样件的硬度仍达到耗材厂家标称值的大约87%，而最差的设置几乎将该值减半，并且伴随更多的翘曲和粗糙。

寻找设置的最佳组合

由于这三项质量指标有时互相牵制，团队采用了多准则决策工具来平衡它们。其中一种方法CRITIC会根据各指标的变异程度及其相互独立性自动分配权重，结果给了硬度和表面光滑度相近的权重，而对形状误差略低一些。另一种方法CoCoSo把这些权重与试验结果结合，给18种打印方案进行排名。总体最佳方案是非常细的层厚（0.1毫米）、较高的喷嘴温度（255 °C）、中等的床温（100 °C）、中等打印速度（40 mm/s）、纤维走向为90度，以及零件竖立在边缘打印。该组合产生了既坚硬又接近预期形状且表面质量可接受的零件。统计分析证实层厚和打印速度是影响最大的两个变量，其次是零件在构建平台上的方向。

用数据和图像“看见”打印内部

为检验不同分析方法的一致性，研究者将CoCoSo与另外两种决策技术作比较，发现三者给出的排名非常相似。随后他们引入了简单的机器学习模型，检验计算机是否能从小规模数据集中学习并预测哪些参数组合能产生高于平均水平的质量。决策树——那种按单个设置逐步划分的流程图结构——在各模型中表现最佳，当用80%的数据进行训练时，能在大多数情况下正确分类硬度、尺寸误差和粗糙度。在每棵树的顶端，层厚均出现，凸显其核心作用。最后，对在最佳和最差条件下打印的样品进行高倍电子显微镜观察，显示出差别的成因：不良设置会产生孔隙、层间间隙以及粗糙波状表面，而优化设置则带来更紧密的层间结合和更少的空洞。

对实际零件意味着什么

从实用角度看，这项研究表明通过细致调整FDM打印机的几个关键旋钮——尤其是层厚、打印速度和构建方向——可以将纤维增强尼龙从一种有前景的材料变成适用于功能性零件的可靠材料。通过将结构化实验、决策工具与机器学习相结合，作者绘制出了可最小化翘曲和粗糙度同时保持零件坚硬耐用的参数组合。这些指南可帮助制造商打印出更可靠的齿轮、轴承和夹具，用于汽车、航空和工业设备，并为使用更大数据集和更智能预测模型的未来工作指明方向。

引用: 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

关键词: 3D打印, 熔融沉积成型, 尼龙复合材料, 工艺优化, 机器学习